[发明专利]一种自适应目标跟踪方法、装置及存储介质

说明书

本发明公开了一种自适应目标跟踪方法、装置及存储介质，属于计算机视觉分析技术领域，该方法通过对ResNet50网络结构进行调整，使用ILSVRC‑2012大规模数据集训练调整后的网络，使用预训练过的网络的第三、四层卷积层提取图像特征并训练各层相关滤波器，将各层响应结果依据跟踪置信度赋予自适应权重，融合后响应图的最大值处即为目标位置，在所确定的尺度变化方向上以一种类似于二叉排序树的树形结构进行不断地二分搜索，通过尺度判别指标找到目标合适的尺度；本发明利用深度残差网络的第三、四层卷积层提取图像特征，此特征提取方法能够精准定位目标，利用树形搜索策略有助于目标的尺度自适应，实现可持续跟踪。

技术领域

本发明涉及一种自适应目标跟踪方法、装置及存储介质，属于计算机视觉分析技术领域。

背景技术

目标跟踪技术作为计算机视觉领域的研究热点，其发展十分迅速，并在视频监控、人机交互、军事科技等各个应用领域都有着不错的发展前景。但目标跟踪的场景往往是错综复杂，容易会发生诸如光照变化、尺度改变和被遮挡等状况，目标跟踪的研究仍然面临着巨大的挑战。世界各国都投入了大量时间和资金在该领域，进行深入的探讨和研究，推动了目标跟踪技术的发展。现如今，目标跟踪技术日益成熟，大致分为三类：传统跟踪方法、基于相关滤波的目标跟踪和基于深度学习的目标跟踪。在提升跟踪性能和提高跟踪系统的鲁棒性方面，跟踪方法仍然有改进的空间。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种自适应目标跟踪方法、装置及存储介质，利用ResNet50网络进行特征提取，提高了目标定位的精度，利用树形搜索策略实现了目标的尺度自适应，其跟踪效果比传统跟踪算法的可靠性更高。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种自适应目标跟踪方法，包括以下步骤：

读取视频序列第一帧图像，进行相关滤波器训练；

读取下一帧中的图像块，计算得到相关滤波器和样本图像块的相关响应图；

依据置信度评价函数进行各层响应图权重的自适应分配，计算融合后响应图，得到目标估计位置；

将目标估计位置输入尺度估计模块，以目标估计位置为中心的图像块，利用树形搜索策略找到目标候选位置的最佳尺度；

判断当前帧是否为最后一帧：若是，则确定当前目标候选位置的最佳尺度；若不是，对相关滤波器进行更新，然后转入读取视频序列第一帧图像，进行相关滤波器训练的步骤。

进一步的，进行相关滤波器训练包括：

调整ResNet50卷积层的滤波器个数调整为原先的二分之一，将调整过后的ResNet50网络利用ILSVRC-2012数据集进行训练；

利用预训练过的Resnet50网络的第三、四层卷积层提取图像特征；

根据第三、四层卷积层提取图像特征，训练各层相关滤波器。

进一步的，读取下一帧中的图像块，计算得到相关滤波器和样本图像块的相关响应图包括：

以pos1(μ,ν)为中心截取W×H大小的图像块patch2，假设z_l(z_l∈R^M×N×D)表示的是第l层上大小为M×N×D的特征向量，利用对patch2计算得到相关滤波器和样本图像块的相关响应图，公式如下：