[發(fā)明專利]一種基于多級特征提取器的具有自恢復力的目標跟蹤方法

在審

• 申請?zhí)枺?/td>: 202210525128.4
• 申請日: 2022-05-14
• 公開（公告）號: CN114882071A
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計）人: 李璐;胡浩錦;鄧維軒
• 申請（專利權(quán)）人: 蘇州海裕鴻智能科技有限公司
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/25;G06V10/80;G06V10/82;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于多級特征提取器的具有自恢復力的目標跟蹤方法，其特征是，利用特征提取網(wǎng)絡(luò)和多尺度特征金字塔網(wǎng)絡(luò)從輸入的圖像或視頻中提取特征，然后根據(jù)學習到的特征生成密集的邊界框和分類分數(shù)進行非最大抑制操作，生成最終結(jié)果。這種基于多級特征提取器的具有自恢復力的目標跟蹤方法通過使用多級特征提取器所提取的多尺度特征構(gòu)建圖像特征金字塔，用于緩解追蹤目標尺度變化所產(chǎn)生的問題，具有較高的目標識別準確率和較快的目標跟蹤速度，且魯棒性較強，具有自恢復力，在目標跟蹤和視頻監(jiān)控等領(lǐng)域具有較高的應(yīng)用價值。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機視覺領(lǐng)域，尤其涉及一種基于多級特征提取器的具有自恢復力的目標跟蹤方法。

背景技術(shù)

目標跟蹤是計算機視覺領(lǐng)域的研究熱點，在云端跟蹤、無人機飛行器、智能目標跟蹤和智能交通等領(lǐng)域具有較高的應(yīng)用價值。在現(xiàn)實應(yīng)用中，由于被跟蹤的物體與跟蹤設(shè)備總是處于相對運動的過程之中，所以被跟蹤目標在采集圖像中的尺度大小總是在進行變化，劇烈的變化通常導致算法的檢測率變低，影響目標跟蹤。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是，提供一種基于多級特征提取器的具有自恢復力的目標跟蹤方法，能夠緩解追蹤目標尺度變化所產(chǎn)生的問題。

為了解決上述技術(shù)問題，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：一種基于多級特征提取器的具有自恢復力的目標跟蹤方法，其特征是，利用特征提取網(wǎng)絡(luò)（VGG）和多尺度特征金字塔網(wǎng)絡(luò)從輸入的圖像或視頻中提取特征，然后根據(jù)學習到的特征生成密集的邊界框和分類分數(shù)進行非最大抑制操作，生成最終結(jié)果。

進一步地，所述特征提取網(wǎng)絡(luò)由特征融合模塊、U形模塊和多尺度特征重組網(wǎng)絡(luò)組成；所述特征融合模塊由特征融合模塊1和特征融合模塊2組成，所述特征融合模塊1通過融合主干的特征映射將語義信息豐富為基礎(chǔ)特征（VGG）；所述U形模塊具有三組，每組 U 形模塊生成一組多尺度特征，生成的多尺度特征分別交替聯(lián)合 U 形模塊和特征融合模塊2提取多層次多尺度特征。

進一步地，所述多尺度特征重組網(wǎng)絡(luò)通過對多層次多尺度特征拼接操作和自適應(yīng)注意機制將特征聚合成多尺度特征金字塔，最終通過目標檢測網(wǎng)絡(luò)進行檢測輸出。

進一步地，所述多層次多尺度特征分別為淺層特征、中層特征和深層特征三種多尺度特征。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益之處在于：這種基于多級特征提取器的具有自恢復力的目標跟蹤方法通過使用多級特征提取器所提取的多尺度特征構(gòu)建圖像特征金字塔，用于緩解追蹤目標尺度變化所產(chǎn)生的問題，具有較高的目標識別準確率和較快的目標跟蹤速度，且魯棒性較強，具有自恢復力，在目標跟蹤和視頻監(jiān)控等領(lǐng)域具有較高的應(yīng)用價值。

附圖說明

圖1是本發(fā)明一種基于多級特征提取器的具有自恢復力的目標跟蹤方法結(jié)構(gòu)示意圖。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明進行詳細描述。

圖1所示一種基于多級特征提取器的具有自恢復力的目標跟蹤方法，利用特征提取網(wǎng)絡(luò)（VGG）和多尺度特征金字塔網(wǎng)絡(luò)從輸入的圖像或視頻中提取特征，然后根據(jù)學習到的特征生成密集的邊界框和分類分數(shù)進行非最大抑制操作，生成最終結(jié)果。

具體地，所述特征提取網(wǎng)絡(luò)由特征融合模塊、U形模塊和多尺度特征重組網(wǎng)絡(luò)組成；所述特征融合模塊由特征融合模塊1和特征融合模塊2組成，所述特征融合模塊1通過融合主干的特征映射將語義信息豐富為基礎(chǔ)特征（VGG）；所述U形模塊具有三組，每組 U 形模塊生成一組多尺度特征，生成的多尺度特征分別交替聯(lián)合 U 形模塊和特征融合模塊2提取多層次多尺度特征，所述多層次多尺度特征分別為淺層特征、中層特征和深層特征三種多尺度特征；所述多尺度特征重組網(wǎng)絡(luò)通過對多層次多尺度特征拼接操作和自適應(yīng)注意機制將特征聚合成多尺度特征金字塔，最終通過目標檢測網(wǎng)絡(luò)進行檢測輸出。