申请/专利权人：湖北大学

申请日：2023-01-13

公开（公告）日：2023-05-26

公开（公告）号：CN116168060A

主分类号：G06T7/246

分类号：G06T7/246;G06V10/82;G06N3/08;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.06.13#实质审查的生效;2023.05.26#公开

摘要：本发明公开了一种结合元学习的深度孪生网络目标跟踪算法，涉及人工智能和计算机视觉领域，旨在解决现有技术中特征不丰富、易受干扰、复杂背景下准确率较低的问题，采用的技术方案是，采用更深层的ResNet网络替换SiamFC使用的浅层网络AlexNet，使神经网络能够接收到更为精准的特征信息，并且针对性的改进主干网络以适应跟踪任务的需求提高跟踪器性能；加入了包含参数预测层的元学习网络，利用其获取自适应的目标特征和搜索候选区域尺寸，进而在跟踪目标外观变化时，能够构建自适应的目标特征空间并提取最优的特征表达信息。

主权项：1.结合元学习的深度孪生网络目标跟踪算法，其特征在于，包括三个部分：模块区域和搜索区域选择部分、特征提取部分和计算模块部分；所述模块区域和搜索区域选择部分中，还包括第一帧给出的跟踪目标和算法根据前一帧目标位置确定的当前帧搜索候选区域，将搜索候选区域大小设定为目标区域的1.5到2倍，同时，以上一帧中目标位置为中心扩大1.5到2倍确定为当前帧搜索候选区域；所述特征提取部分中，还包括初级特征提取层和最终目标特征生成层，使用改进的CIResNet-22骨干网络提取初级目标特征，然后将从目标图像和搜索图像提取的目标特征传入所述元学习网络，从而获得尺寸外观更为精准的目标特征及候选区域；所述计算模块部分中，相关特征响应计算模块，对上层获得的最终目标特征进行卷积求得响应，相关响应图最高分处即为预测目标在当前帧的位置；所述结合元学习的深度孪生网络目标跟踪算法的跟踪步骤包括：步骤1，分别输入作为跟踪目标的模板图像，和作为候选区域的检测图像；步骤2，利用改进的CIResNet-22骨干网络提取初级目标特征；步骤3，将提取的目标特征传入元学习预测网络，从而获得尺寸外观更为精准的目标特征及候选区域；步骤4，将获得的最终目标特征进行卷积求得响应，相关响应图最高分处即为预测目标在当前帧的位置。

全文数据：

权利要求：

百度查询： 湖北大学 结合元学习的深度孪生网络目标跟踪算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD