[发明专利]一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法

权利要求书

1.一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法，其特征在于，该方法包括以下步骤：

(1)利用数据集的中心坐标，构建目标模板和搜索区域，然后根据数据集的正确标注，得到初始模型f⁽⁰⁾；

(2)采用两个相同的卷积网络模块分别提取目标模板和搜索区域的卷积特征；

(3)对目标模板和搜索区域分别建立颜色直方图概率密度分布函数，根据该函数得到目标模板和搜索区域的置信度值C_siam；

(4)若置信度值C_siam大于阈值则进行步骤(5)；否则对卷积权值滤波器f进行预判式更新，包括如下步骤：

(4.1)定义预判式学习的损失函数L(f)和残差函数r(s，c)；

(4.2)根据给定学习率极值ηⁱ_min和ηⁱ_max，得到具有自重启机制的学习率η_t；

(4.3)利用步骤(4.1)中的损失函数L(f)和残差函数r(s，c)，步骤(4.2)中的学习率η_t，得到卷积权值滤波器f的梯度下降值

(4.4)根据卷积权值滤波器f的初始模型f⁽⁰⁾、梯度下降值和自重启机制的学习率η_t，对卷积权值滤波器f进行预判式更新；

(5)对目标模板和搜索区域的卷积特征进行卷积操作，得到预测分数矩阵，再将预测分数矩阵经线性插值定位到原始图片的目标位置中，最终实现目标跟踪。

2.如权利要求1所述的一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法，其特征在于，所述步骤(3)中对目标模板和搜索区域分别建立颜色直方图概率密度分布函数，根据该函数得到目标模板和搜索区域的置信度值C_siam，具体为：

假设目标模板的中心坐标为原点，其彩色空间被划分为m个区间，u表示每个区间的颜色簇索引，取值范围为{1，2，...，m}，目标模板的各像素点位置由集合{x_i^*}(i＝1，2，...，n)表示，则目标模板的颜色直方图概率密度分布函数由下式计算：

式中，C为归一化系数函数；k(·)为核密度估计函数K(·)的轮廓函数，即K(x_i^*)＝k(||x_i^*||²)；δ(·)为Kronecker Delta函数；b(·)：R²→{1，2，...，m}为位于x_i^*的像素向颜色索引的映射。

设y为搜索区域中心坐标，{x_i}(i＝1，2，...，n_h)表示搜索区域像素位置的集合，则搜索区域的颜色直方图概率密度分布函数由下式计算：

式中，C_h为基于h的归一化系数函数；h为核函数的带宽；其他参数同式(1)。

将目标模板和搜索区域在整个颜色空间上的概率密度分别表示为计算目标模板和搜索区域的置信度值C_siam，具体为：

式中，y₀为搜索区域初始中心坐标，w_i由下式计算：