[發明專利]一種基于動態記憶庫模板更新的目標跟蹤方法

有效

• 申請號: 202010999748.2
• 申請日: 2020-09-22
• 公開（公告）號: CN112183600B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 劉婧;王晗;蘇育挺
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/246
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李林娟

本發明公開了一種基于動態記憶庫模板更新的目標跟蹤方法，所述方法包括：構建目標跟蹤的MemTrack基礎網絡框架；將MemTrack基礎網絡框架中的初始幀模板特征參照即將進入動態記憶庫的已有模板特征進行最小二乘映射；將動態記憶庫內寫入更新后的模板特征參照處理后的模板特征進行最小二乘映射；在訓練階段，使用ILSVRC VID數據集，參照MemTrack的網絡結構方式進行訓練。本發明可進行模板更新，提供可靠的模板，在針對目標遮擋、形變和旋轉等具有挑戰的環境下，具有良好的性能。

技術領域

本發明涉及目標跟蹤領域，尤其涉及一種基于動態記憶庫模板更新的目標跟蹤方法。

背景技術

隨著社會信息化程度不斷提高，電子設備產生大量信息，其中主要為視頻信息，分析或利用視頻信息的一項基礎性技術是目標跟蹤。對于很多種應用場景，比如無人駕駛，只有提取道路面運動物體的軌跡，才有可能針對該物體進行一系列的躲避動作，以保持安全距離。所以，大量的應用場景需要對視頻進行目標跟蹤處理，在此基礎上做出相應的數據分析，進而做出相應的判斷。

目標跟蹤是指在設備獲取的視頻序列上，對其中的一個目標或者多個目標進行跟蹤。預先給出目標在初始幀上的信息，包括位置信息和形狀大小信息，通常使用一個包含目標的矩形框來表示。在后續幀上，通過目標跟蹤算法得到目標的位置和大小的信息。目標跟蹤的算法，可分為基于生成式的算法和基于判別式的算法。早期的算法比如光流法，均值漂移法，屬于基于生成式的算法。目前主流的目標跟蹤算法都是基于判別式的，其中又可分為基于相關濾波的算法和基于深度學習的算法。相關濾波算法，有KCF^[1]，MOSSE^[2]， SRDCF^[3]，C-COT^[4]和ECO^[5]等。在基于深度學習的算法中，又可分為兩小類。第一類是自SiamFC^[6]在2016年提出后，形成了基于孿生網絡的算法，著名算法有SiamRPN^[7]， SiamRPN++^[8]和SiamMask^[9]等。第二類是其他深度學習算法，主要包括MDNet^[10]， VITAL^[11]和ATOM^[12]等。

由于視頻序列中，目標存在形變，遮擋和旋轉等問題，這使得目標跟蹤十分具有挑戰性。單一使用初始幀模板進行自始至終地模板匹配任務，這種方式對于跟蹤算法性能提升有很大限制。因此，引入模板更新機制是必要的。但是簡單的模板更新機制，比如簡單地將上一幀的跟蹤結果，作為下一幀的模板進行使用，會使性能不升反降。因為在跟蹤任務中，只有初始幀模板是完全可信的，網絡無法判斷出當前的跟蹤結果是否準確，是否需要修正；所以簡單的模板更新機制會造成錯誤傳播，降低性能。

發明內容

本發明提供了一種基于動態記憶庫模板更新的目標跟蹤方法，本發明可進行模板更新，提供可靠的模板，在針對目標遮擋、形變和旋轉等具有挑戰的環境下，具有良好的性能，詳見下文描述：

一種基于動態記憶庫模板更新的目標跟蹤方法，所述方法包括：

構建目標跟蹤的MemTrack基礎網絡框架；

將MemTrack基礎網絡框架中的初始幀模板特征參照即將進入動態記憶庫的已有模板特征進行最小二乘映射；

將動態記憶庫內寫入更新后的模板特征參照處理后的模板特征進行最小二乘映射；

在訓練階段，使用ILSVRC VID數據集，參照MemTrack的網絡結構方式進行訓練。

其中，所述將MemTrack基礎網絡框架中的初始幀模板特征參照即將進入動態記憶庫的已有模板特征進行最小二乘映射具體為：