[发明专利]一种基于智能选择策略的目标检测与自动跟踪算法

权利要求书

1.一种基于智能选择策略的目标检测与自动跟踪算法，其特征在于：所述算法包括如下步骤：

步骤1：构建目标检测与跟踪网络模型，网络模型由多尺度检测网络、智能选择策略、模板匹配网络和预测模块组成；

步骤2：训练目标检测与跟踪网络模型，分别在COCO数据集和ImageNet数据集上对多尺度检测网络以及模板匹配网络进行训练；

步骤3：测试目标检测与跟踪网络模型，利用上述已经训练好的目标检测与跟踪网络模型，进行目标检测和跟踪测试，实现对目标的智能选择和自动实时跟踪。

2.根据权利要求1所述的一种基于智能选择策略的目标检测与自动跟踪算法，其特征在于：所述步骤1中，所述多尺度检测网络由darknet-53网络和三个预测层组成，用于对输入的视频图像进行特征提取及目标的预测和定位，多尺度检测网络完成对输入的视频图像预测后，智能选择策略对目标进行选择，智能选择策略选择目标的原则由四个因素组成，其分别是：目标类别、目标面积、目标检测精度和目标运动速度，智能选择策略框定感兴趣目标后，将感兴趣目标输入给模板匹配网络并对其进行实时跟踪，模板匹配网络由两个子网组成，模板匹配网络共享相同的参数，且两个子网的作用分别是对目标图像和搜索图像的特征进行提取，在复杂背景下，当目标发生形变、被遮挡时，预测模块预测目标的状态和位置。

3.根据权利要求2所述的一种基于智能选择策略的目标检测与自动跟踪算法，其特征在于：所述darknet-53网络共有53层卷积层，其分别是由1*1和3*3卷积层组成，Darknet-53的性能反映在网络基本单元的差异上，其采用ResNet作为跳层连接方式，其性能完全优于resnet-152和resnet-101，多尺度检测通过三个不同尺度预测层的预测方法，增强对不同大小的物体和被阻挡物体的检测，同时，darknet-53引入跳层连接的方法来增强收敛，并采用随机多尺度训练的方法来增强鲁棒性。

4.根据权利要求2所述的一种基于智能选择策略的目标检测与自动跟踪算法，其特征在于：所述智能选择策略的选择原理如下式：

f(x)＝max[ω₁c_i+ω₂s_i+ω₃a_i+ω₄v_i] (1)

其中，c_i为目标类别，s_i为目标面积，a_i为目标检测精度，v_i为目标运动速度，以上四个因素分别被赋予四个相应的参数，其分别是ω₁，ω₂，ω₃和ω₄，其可根据具体要求自由设置各自的参数值，具有高度的灵活性和扩展性，智能选择策略计算视频图像中每个目标的值，其中分值最高的目标即本策略选择的感兴趣目标。

5.根据权利要求2所述的一种基于智能选择策略的目标检测与自动跟踪算法，其特征在于：所述模板匹配网络由子网组成，子网包括目标子网和搜索子网，分别对目标图像和搜索图像进行特征提取，并共享相同的权重和偏置，其中，目标子网和搜索子网均采用的是基于瓶颈残差块的内部裁剪单元，内部裁剪单元在块内部裁剪出受填充补零影响的特征，防止卷积滤波器学习位置偏差，其中，残差单元是模板匹配网络的关键模块，其由3个堆叠的卷积层和三层快捷连接组成，这三层快捷连接分别是1*1，3*3和1*1卷积，其中1*1卷积层负责减少然后恢复尺寸，使3*3卷积层成为具有较小输入和输出尺寸的瓶颈。

6.根据权利要求2所述的一种基于智能选择策略的目标检测与自动跟踪算法，其特征在于：所述预测模块由状态预测子网和状态更新子网组成，其中，状态预测子网根据前一个时间的后验估计来估计当前时间的状态，并获得当前时间的先验估计，然后，使用当前时间的测量值来校正预测阶段的估计，并获得当前时间的后验估计。