一种基于尺度等变卷积孪生网络的序列图像目标跟踪方法
基本信息
| 申请号 | CN202210285141.7 | 申请日 | - |
| 公开（公告）号 | CN114639050A | 公开（公告）日 | 2022-06-17 |
| 申请公布号 | CN114639050A | 申请公布日 | 2022-06-17 |
| 分类号 | G06V20/40（2022.01）I;G06V10/40（2022.01）I;G06V10/74（2022.01）I;G06V10/774（2022.01）I;G06V10/764（2022.01）I;G06V10/82（2022.01）I;G06K9/62（2022.01）I;G06N3/04（2006.01）I;G06N3/08（2006.01）I | 分类 | 计算；推算；计数; |
| 发明人 | 刘庆;王继超;华钧 | 申请（专利权）人 | 北京科能腾达信息技术股份有限公司 |
| 代理机构 | 北京众合诚成知识产权代理有限公司 | 代理人 | - |
| 地址 | 100007北京市东城区后永康胡同17号593A室 | ||
| 法律状态 | - | ||
摘要
| 摘要 | 本发明公开了属于序列图像目标跟踪技术领域的基于尺度等变卷积孪生网络的序列图像目标跟踪方法。包括步骤1：对LSE‑SiamRPN的网络可学习参数进行训练，确定网络可学习参数的最优值；步骤2：确定被跟踪的目标在第一帧图像中的边界框，将模板图像输入孪生子网络的模板分支，提取目标的原始尺度特征；步骤3：输入下一帧图像，将搜索区域输入孪生子网络的搜索分支，提取搜索区域的多尺度特征；步骤4：将目标的原始尺度特征和搜索区域的多尺度特征进行深度互相关，再以多通道响应图作为边界框回归子网络的输入，得到目标的边界框；再转到步骤3。本发明提升了目标与背景间相似性度量学习的准确性，增强了对目标大小变化的适应能力。 |
