[发明专利]丘脑动态分配的多视皮层信息融合的视觉跟踪方法及系统

摘要

本发明属于类脑智能、人工智能领域，具体涉及一种基于丘脑动态分配的多视皮层信息融合的视觉跟踪方法、系统、装置，旨在解决视觉跟踪方法中不同层之间的信息被同等对待或重要性被固定导致跟踪精度低的问题。本系统方法包括从视频的第t帧图像中获取待跟踪目标的图像及位置标签；对预设的第一网络模型进行训练并更新；令t＝t+1，通过第一网络模型获取待跟踪目标在第t帧图像中的位置标签；获取所述待跟踪目标在第t帧的图像；若t为预设值n的倍数，依次将第一图像更新为所述待跟踪目标在第t‑n+1帧至第t帧的图像，对第一网络模型进行训练并跟新，否则继续跟踪。本发明动态分配不同层的重要性，提高了跟踪精度。

主权项

1.一种基于丘脑动态分配的多视皮层信息融合的视觉跟踪方法，其特征在于，该方法包括以下步骤：/n步骤S100，从视频的第t帧图像中获取待跟踪目标的图像及位置，将所述待追踪目标的图像作为第一图像，其位置作为第一位置标签；/n步骤S200，基于第t帧图像中的第一图像、第一位置标签对预设的第一网络模型进行训练，并更新第一网络模型；所述第一网络模型基于卷积神经网络构建；/n步骤S300，令t＝t+1，对第t帧图像，通过第一网络模型获取待跟踪目标在该帧图像中的位置标签，并用其更新第一位置标签；/n步骤S400，在第t帧图像以所述第一位置为中心点，以预设的多个缩放倍数，获取以第t-1帧图像中待跟踪目标图像尺寸为基准尺寸的多个图像区域；将所述多个图像区域分别通过第一网络模型获取响应值，将响应值最大的图像区域作为所述待跟踪目标在第t帧的图像；/n步骤S500，若t为预设值n的倍数，依次将第一图像更新为所述待跟踪目标在第t-n+1帧至第t帧的图像，跳转步骤S200；否则直接跳转步骤S300；/n其中，步骤S200中所述更新第一网络模型，其方法为：/n步骤A100，提取第t帧图像中第一图像在第一网络模型的各卷积层的特征，并将各特征通过预设卷积层进行卷积后得到对应的特征响应；/n步骤A200，通过预设的动态权重分配网络获取各特征响应的权重值，并根据所述权重值对各特征响应进行加权求和，得到最终响应；所述动态权重分配网络由一个全局最大池化层和一个两层的全连接神经网络构成；/n步骤A300，根据第t帧图像中第一位置标签，构建高斯标签；基于所述高斯标签、所述最终响应，得到基于注意力的损失值，并基于该损失值优化第一网络模型中的参数，并更新第一网络模型。/n