[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

说明书

本发明公开了一种基于智能选择策略的目标检测与自动跟踪算法，属于计算机视觉领域，该方法由多尺度检测网络，智能选择策略，模板匹配网络和预测模块构成。首先采用多尺度检测网络对目标进行实时检测，然后根据智能选择策略，对检测候选框进行目标选择，其能根据不同的需求设置不同的影响因子，具有较高的灵活性和扩展性。最后，再通过模板匹配网络对感兴趣的目标进行实时的跟踪。同时，为了解决目标被遮挡或暂时消失的问题，本发明提出了一种预测模块对目标进行预测，最后通过定量评估测试表明，在复杂背景环境下，本发明提出的算法实现了目标的实时检测，智能选取以及自动跟踪等功能，对计算机视觉领域的发展具有较好的促进作用和参考价值。

技术领域

本发明涉及领域，尤其涉及一种基于智能选择策略的目标检测与自动跟 踪算法。

背景技术

视觉目标检测与跟踪是计算机视觉领域的一个研究热点，其在云台跟踪、 无人飞行器、智能视频监控和智能交通系统等领域具有较高的应用价值。由 于传统的单目标跟踪算法不能检测和智能选择感兴趣的目标，且多目标跟踪 算法还存在漏检和误检等缺点。因此，需要设计一种基于智能选择策略的目 标检测与自动跟踪算法，实现对目标的实时检测，智能选取以及自动跟踪等 功能，对计算机视觉领域的发展具有较好的促进作用和参考价值。

发明内容

本发明的目的在于提供一种基于智能选择策略的目标检测与自动跟踪算 法，解决传统的单目标跟踪算法不能检测和智能选择感兴趣的目标，且多目 标跟踪算法还存在漏检和误检等缺点的技术问题。经测试和实验表明：与现 有的目标跟踪方法相比，本发明提出的算法实现了目标的实时检测，智能选 取以及自动跟踪等功能，能够适应各种复杂的应用场合。

一种基于智能选择策略的目标检测与自动跟踪算法，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。

进一步地，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。

进一步地，所述darknet-53网络共有53层卷积层，其分别是由1x1和3x3 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。

进一步地，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)