[發明專利]一種抗陰影干擾的單色視頻目標跟蹤方法

在審

• 申請號: 202011240840.7
• 申請日: 2020-11-09
• 公開（公告）號: CN112270286A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 齊航;任君;李磊;薛茜;張強;張鼎文;梁杰
• 申請（專利權）人: 北京機電工程研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N20/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種抗陰影干擾的單色視頻目標跟蹤方法，該方法包括：提取原始模板圖像特征、模板圖像陰影檢測結果特征、原始待檢測圖像特征和待檢測圖像陰影檢測結果特征；構建陰影指導模塊，輸出模板圖像特征和待檢測圖像特征；構建特征融合模塊，獲取模板圖像融合特征和待檢測圖像融合特征；構建區域候選網絡模塊，獲取模板分支輸出特征和待檢測分支輸出特征；獲取分類分支結果；獲取回歸分支結果；獲取分類損失；獲取回歸損失；獲取最終優化的損失以完成算法網絡訓練，獲取網絡模型參數；進行算法網絡的測試預測單色視頻目標跟蹤結果。應用本發明的技術方案，能夠解決現有技術中單色視頻目標跟蹤易受陰影干擾導致跟蹤準確度不足的技術問題。

技術領域

本發明涉及計算機視覺技術領域，尤其涉及一種抗陰影干擾的單色視頻目標跟蹤方法。

背景技術

目標跟蹤技術指在給定初始幀目標框的情況下，在連續的視頻序列中預測目標位置和尺度信息。隨著技術的發展，目標跟蹤技術在日常生活中得到了廣泛的運用，如在輔助駕駛系統、機器人視覺、人機交互和智能監控等領域取得了較好的成果。

現有的目標跟蹤算法根據目標表觀建模方式的不同可以分為兩大類：一類是生成類方法，另一類是判別類方法。生成類方法即在初始幀中對目標按制定的方法建立目標模型，然后在后續幀搜索對比與目標模型相似度最高的區域作為目標區域進行跟蹤。算法主要對目標本身特征進行描述，對目標特征刻畫較為細致，但忽略背景信息的影響，在目標發生變化或者遮擋等情況下易導致“失跟”現象。生成類方法包括均值漂移和粒子濾波等。判別類方法即在初始幀中對目標和背景信息進行區分建立判別模型，通過對后續幀搜索目標進行判別是目標或背景信息，進而完成目標跟蹤。判別類方法與生成類方法的根本不同在于判別類方法同時考慮背景信息與目標信息來進行判別模型的建立。由于判別類方法將背景與目標進行區分，因此該類方法在目標跟蹤時的表現通常更為魯棒，目前已經成為目標跟蹤的主流跟蹤方式。判別類方法包括相關濾波方法和深度學習方法等。早期的目標跟蹤算法采用相關濾波框架，用手工設計的底層視覺特征對目標表觀進行建模，雖然相關濾波利用頻域計算使得跟蹤速度提升，但手工特征或者淺層分類器提取的特征對目標表觀模型的語義信息預測能力有限，使得跟蹤精度提升緩慢。近年來，隨著深度學習技術在計算機視覺領域的廣泛應用，目標跟蹤逐漸引用深度學習技術提取目標更加豐富準確的特征信息，使得目標跟蹤算法的性能和魯棒性得到大幅提升。

大多數的目標跟蹤方法如“L.Bertinetto,J.Valmadre,J.F.Henriques,etal.Fully-convolutional siamese networks for object tracking[C].EuropeanConference on Computer Vision(ECCV)Workshops,2016.”僅通過對模板圖像與待檢測圖像提取的特征進行相關操作，快速地實現模板圖像與待檢測圖像的相應區域進行對比，輸出每個位置和模板圖像相似度的響應圖。但有以下缺陷：首先由于沒有回歸，網絡無法預測尺度上的變化，所以只能通過多尺度測試來預測尺度的變化，會降低速度。其次，輸出的響應圖的分辨率較低，為了得到更高精度的位置信息，采用插值的方法使輸出與輸入尺寸相近的大小。

為解決上述問題，一些方法引入目標檢測領域的區域候選網絡，通過讓網絡回歸避免多尺度測試。例如，“B.Li,J.Yan,W.Wu,Z.Zhu,and X.Hu.High performance visualtracking with siamese region proposal network[C].Computer Vision and PatternRecognition(CVPR),2018.”通過引入目標檢測領域的區域候選網絡，一方面提升了速度，另一方面可以得到更為精準的目標框，更進一步，通過區域候選網絡的回歸可以直接得到更精確的目標位置，不需要通過插值得到最終的結果。