[发明专利]目标跟踪方法及装置

说明书

本发明公开了一种目标跟踪方法及装置，为了解决现有技术存在的特征鲁棒性不足的问题，本发明在满足实时跟踪速度的前提条件下，通过设计浅层网络和对应的浅层滤波层，及深层网络和对应的深层滤波层，由此通过浅层特征和深层特征的结合实现目标跟踪。由于浅层滤波层能够对目标精准定位，深层滤波层能够提升跟踪的鲁棒性。在满足实时跟踪速度的前提条件下，通过设计浅层网络和对应的浅层滤波层，及深层网络和对应的深层滤波层，由此通过浅层特征和深层特征的结合实现目标跟踪。由于浅层滤波层能够对目标精准定位，深层滤波层能够提升跟踪的鲁棒性，因此本发明可以解决现有技术存在的特征鲁棒性不足的问题。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种目标跟踪方法及装置。

背景技术

目标跟踪是计算机视觉中的基本任务之一，在实际生活中有着广阔的应用。目标跟踪算法从位置跟踪发展到结合位置与尺度的同时跟踪，并且随着深度学习的发展，相关滤波算法将目标的外观特征表示从简单的手工特征演变成多层深度学习特征，然而正是因为多维度的深度特征带来了计算量的提升。

目前，为了降低计算量，常用的目标跟踪算法有结合相关滤波和卷积神经网络的端到端的DCFNet算法，在训练阶段，通过反向传播法计算所得响应图与真实响应图标签之间的误差来训练，在线跟踪阶段，通过相关滤波层得到的响应图来寻找目标位置。DCFNet网络结构简单，仅包含两层卷积层和一层相关滤波层，其速度能够达到70帧每秒。也正是由于网络层次较少，DCFNet无法获取泛化能力强的特征，在目标外观变化较大的情况下表现较差，存在特征鲁棒性不足的问题。

发明内容

本发明的目的是针对上述现有技术的不足提出的一种目标跟踪方法及装置，该目的是通过以下技术方案实现的。

本发明的第一方面提出了一种目标跟踪方法，所述方法包括：

S1：利用参考帧中的待搜索目标的位置从参考帧中抠取目标图，将该目标图输入已训练的网络模型，以分别由所述网络模型中的浅层网络和深层网络提取该目标图的浅层特征和深层特征，并将浅层特征输出到浅层滤波层以初始化浅层滤波层，深层特征输出到深层滤波层以初始化深层滤波层；

S2：以待搜索目标在参考帧中的位置为中心对当前搜索帧进行多尺度采样，针对采样得到的每一候选样本，将该候选样本输入已训练的网络模型，以分别由所述网络模型中的浅层网络和深层网络提取该候选样本的浅层特征和深层特征，并将浅层特征输出到初始化后的浅层滤波层，深层特征输出到初始化后的深层滤波层；

S3：由初始化后的浅层滤波层利用浅层特征计算第一响应图，由初始化后的深层滤波层利用深层特征计算第二响应图；

S4：将第一响应图和第二响应图合并为第三响应图；

S5：利用多个候选样本的第三响应图确定待搜索目标在当前搜索帧中的位置，将当前搜索帧作为下一搜索帧的参考帧，并将下一搜索帧作为当前搜索帧，继续执行步骤S2。

本发明的第二方面提出了一种目标跟踪装置，所述装置包括：

初始化模块，用于利用参考帧中的待搜索目标的位置从参考帧中抠取目标图，将该目标图输入已训练的网络模型，以分别由所述网络模型中的浅层网络和深层网络提取该目标图的浅层特征和深层特征，并将浅层特征输出到浅层滤波层以初始化浅层滤波层，深层特征输出到深层滤波层以初始化深层滤波层；