[发明专利]基于循环回归网络的快速目标跟踪方法

说明书

本发明公开了一种基于循环回归网络的快速目标跟踪方法，所述方法包括如下步骤：步骤一、使用ResNet50网络作为回归网络的基本网络；步骤二、在训练完回归网络之后，在其基础上引入LSTM网络形成最终的循环回归网络来捕捉目标在跟踪过程中出现的各种外观变化；步骤三、使用Smooth‑L1损失函数对循环回归网络进行训练。本发明整个过程利用一个神经网络进行目标跟踪，运用深层监督在不同尺度的特征上回归目标框坐标，并使用长短时记忆网络来捕捉目标在跟踪过程中出现的各种外观变化。较现有的目标跟踪方法，在不需要进行在线更新的情况下，就能较为准确的定位目标，具有良好的鲁棒性。

技术领域

本发明涉及一种目标跟踪方法，尤其涉及一种基于循环回归网络的快速目标跟踪方法。

背景技术

目标跟踪的目的是通过给定的初始帧标定框来自动的在后续帧中标记目标。随着目标跟踪技术的进步，其在越来越多的领域发挥着作用，比如视频监控、人机交互和运动识别等等。然而，效果不佳的目标跟踪结果将直接影响上述基于目标跟踪的相关应用的性能，从而在一定程度上限制了目标跟踪方法的应用范畴和应用效果。近年来，由于卷积神经网络在计算机视觉领域的应用，目标跟踪取得了巨大的成功。

发明内容

为了更好的进行目标跟踪，本发明提供了一种基于循环回归网络的快速目标跟踪方法。该方法提出了一种回归网络来获得对于目标更加丰富的表达，并在此基础上融入跟踪过程中的时域信息，使得整个跟踪过程不需要频繁的更新以适应目标的外观变化就能获得较为准确的目标定位。本发明的方法可以很好的进行目标跟踪，并在多个数据库上取得了具有竞争力的结果。

本发明的目的是通过以下技术方案实现的：

一种基于循环回归网络的快速目标跟踪方法，包括如下步骤：

步骤一、使用ResNet50网络作为回归网络的基本网络，其包括Pool5、Rec5b、Rec4f、Rec3d、Rec2c和Pool1六个卷积模块和衔接在每一个卷积模块之后的Pool5_A、Rec5b_A、Rec4f_A、Rec3d_A、Rec2c_A和Pool1_A六个附加模块以及串联在所有卷积模块之后的3个全连接层；其中：Pool5_A、Rec5b_A、Rec4f_A、Rec3d_A、Rec2c_A和Pool1_A拥有相同的结构：3个卷基层、1个Concat层、1个Correlation层、1个sigmoid层和3个全连接层；该回归网络的输入包括两种信息：其一是连续两帧(前一帧和当前帧)的全尺寸图像对；其二是前一帧中目标的矩形框坐标；得益于此基本网络本身的特征级联的优点，目标在当前帧的坐标由6个卷积模块及其附加模块和3个全连接层共同预测得到；

步骤二、在训练完回归网络之后，在其基础上引入长短时记忆网络(LSTM)形成最终的循环回归网络来捕捉目标在跟踪过程中出现的各种外观变化，所述LSTM网络嵌入在基本网络的第2个全连接层之后，其输出为4个单元(包括预测矩形框的左上角和右下角的横纵坐标)，之后这4个单元的输出将作为第3个全连接层的输入来预测最终的矩形框坐标；

步骤三、使用Smooth-L1损失函数对循环回归网络进行训练。

相比于现有技术，本发明具有如下优点：

本发明整个过程利用一个神经网络进行目标跟踪，运用深层监督在不同尺度的特征上回归目标框坐标，并使用长短时记忆网络来捕捉目标在跟踪过程中出现的各种外观变化。较现有的目标跟踪方法，在不需要进行在线更新的情况下，就能较为准确的定位目标，具有良好的鲁棒性。

附图说明

图1为本发明基于循环回归网络的快速目标跟踪方法流程图；

图2为附加模块结构图；

图3为不同的目标跟踪方法与本发明的方法在不同挑战场景中的视觉比较结果；