[发明专利]目标跟踪方法

说明书

本发明公开了一种目标跟踪方法，其包括以下步骤：S1.将模板信息与搜索区域信息传输进入检测网络中；S2.所述检测网络对所述模板信息进行检测并得到第一模板分析信息，所述检测网络对所述区域信息进行检测并得到第一区域分析信息；S3.所述检测网络计算所述第一模板分析信息以及所述第一区域分析信息之间的点云序列相似性并得到第一检测结果；S4.所述检测网络将所述第一检测结果进行霍夫变换并进行区域投影的到第一投影结果；以及S5.对所述第一投影结果进行聚类与处理，筛选出最高得分的决策生成跟踪结果。检测网络对模板信息与搜索区域信息进行结合与检测，提高目标跟踪过程的精准性与实时性。

技术领域

本发明涉及图像分析方法领域，具体涉及一种目标跟踪方法。

背景技术

卷积神经网络是一种包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。现有的卷积神经网络在图像的处理以及分析领域有很深的应用，在图像识别以及目标跟踪的过程中均有着重要的应用。尽管基于卷积神经网络的目标跟踪方法已经取得了很多成果，但在时间连续性和空间信息建模方面还有待进一步改善。近年来，递归神经网络尤其是带有门结构的GRU、LSTM等在时序任务上显示出了突出的性能，因此不少研究者开始探索如何应用递归神经网络来解决现有跟踪任务中存在的问题。然而基于深度分类网络的目标跟踪方法存在以下两个方面的问题：(1)每一帧中的正样本空间上高度重合，不能获取丰富的表观信息；(2)正负样本的比例严重不平衡。通过对抗学习的方法来解决这两个问题。

现有的基于卷积神经网络的目标跟踪方法主要有两方面问题：1、无法明确区分具有相同属性或语义的两个目标；2、跟踪器遇到没见过的类别或者目标形状变化较大时容易发生漂移。

发明内容

本发明的目的是提供一种目标跟踪方法，其能够解决现有的目标跟踪方法的缺陷，具体地，一种目标跟踪方法，其包括以下步骤：S1.将模板信息与搜索区域信息传输进入检测网络中；S2.所述检测网络对所述模板信息进行检测并得到第一模板分析信息，所述检测网络对所述区域信息进行检测并得到第一区域分析信息；S3.所述检测网络计算所述第一模板分析信息以及所述第一区域分析信息之间的点云序列相似性并得到第一检测结果；S4.所述检测网络将所述第一检测结果进行霍夫变换并进行区域投影的到第一投影结果；以及S5.对所述第一投影结果进行聚类与处理，筛选出最高得分的决策生成跟踪结果。

根据本发明的实施例，所述S3步骤具体为：S301.计算所述第一模板分析信息以及所述第一区域分析信息之间的点序排列相似性；以及S302.对所述S301步骤中的计算结果进行特征增强得到所述第一检测结果。

根据本发明的实施例，所述S4步骤具体为：S401.对所述第一检测结果进行分类；S402.对分类后的所述第一检测结果进行霍夫投票，将所述第一检测结果中的所述第一区域分析信息投影到所述第一模板分析信息上；以及S403.增强所述投影到所述第一模板分析信息上的所述第一区域分析信息并得到所述第一投影结果。

根据本发明的实施例，所述S5步骤具体为：S501.将所述第一投影结果聚类在投影区域；以及S502.计算所述第一投影结果的目标中心得分并筛选出所述目标中心得分最高的作为跟踪结果。

根据本发明的实施例，所述检测网络为PointNet++网络。

通过采用上述技术方案，本发明主要有如下几点技术效果：

1.检测网络对模板信息与搜索区域信息进行结合与检测，提高目标跟踪过程的精准性与实时性；

2.通过计算点云中的点序排列来对第一模板分析信息与第一区域分析信息进行分析，提高分析的准确性；

3.通过霍夫投票得到第一投影结果，提高第一投影结果的准确性以及鲁棒性。

附图说明

图1为根据本发明的实施例的目标跟踪方法的示意图。