一种目标跟踪丢失后的精确定位方法及精确定位系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113888628A(43)申请公布日2022.01.04(21)申请号202111212250.8(22)申请日2021.10.18(71)申请人华中光电技术研究所（中国船舶重工集团公司第七一七研究所）地址430000湖北省武汉市洪山区雄楚大街981号(72)发明人范强张智杰王晨晟邹尔博徐寅(74)专利代理机构武汉蓝宝石专利代理事务所(特殊普通合伙)42242代理人万畅(51)Int.Cl.G06T7/70(2017.01)G06T7/20(2017.01)G06N3/04(2006.01)权利要求书2页说明书7页附图3页(54)发明名称一种目标跟踪丢失后的精确定位方法及精确定位系统(57)摘要本发明提供一种目标跟踪丢失后的精确定位方法及精确定位系统，方法包括：基于卷积神经网络识别每一帧图像信息中的目标预测结果，所述目标预测结果包括目标框预测位置；根据每一帧图像信息经过卷积神经网络的目标预测结果的置信度输出，判别目标是否出现丢失现象以及目标出现丢失现象对应的当前帧图像信息；基于当前帧图像信息，对其中的目标位置进行粗定位和精定位，获得当前帧图像信息的精定位目标跟踪位置。当目标出现遮挡特别是完全遮挡时，目标跟踪任务会失败，或者快速运动的目标超出观察视场导致目标丢失的情况下，通过本发明可以对跟踪丢失的目标进行精确定位。CN113888628ACN113888628A权利要求书1/2页1.一种目标跟踪丢失后的精确定位方法，其特征在于，包括：基于卷积神经网络识别每一帧图像信息中的目标预测结果，所述目标预测结果包括目标框预测位置；根据每一帧图像信息经过卷积神经网络的目标预测结果的置信度输出，判别目标是否出现丢失现象以及目标出现丢失现象对应的当前帧图像信息；基于当前帧图像信息，对其中的目标位置进行粗定位和精定位，获得当前帧图像信息的精定位目标跟踪位置。2.根据权利要求1所述的精确定位方法，其特征在于，所述基于卷积神经网络识别每一帧图像信息中的目标预测结果，包括：基于卷积神经网络识别每一帧图像信息的多个第一目标候选预测框；基于候选区域选择策略从多个第一目标候选预测框中确定最终目标预测框。3.根据权利要求2所述的精确定位方法，其特征在于，所述卷积神经网络包括主干网络和区域生成网络，所述主干网络为孪生子网络，包括模板分支网络和检测分支网络；所述基于卷积神经网络识别每一帧图像信息的多个第一目标候选预测框，包括：将上一帧图像信息输入所述模板分支网络中，输出对应的第一目标特征信息，以及将当前帧图像信息输入所述检测分支网路中，输出对应的第二目标特征信息；将所述第一目标特征信息和所述第二目标特征信息均输入所述区域生成网络中，输出当前帧图像信息的多个第一目标候选预测框。4.根据权利要求2或3所述的精确定位方法，其特征在于，所述基于候选区域选择策略从多个第一目标候选预测框中确定最终目标预测框，包括：以上一帧图像信息的最终目标预测框的中心点为基准，从当前帧图像信息识别的多个第一目标候选预测框中保留其中心点与上一帧图像信息的最终目标预测框的中心点的距离小于预设距离值的多个第一目标候选预测框，作为多个第二目标候选预测框；使用余弦窗口和缩放变换惩罚项对多个第二目标候选预测框进行排序，保留排序靠前的多个第二目标候选预测框，作为第三目标候选预测框；使用非极大值抑制法从多个第三目标候选预测框中确定最终目标预测框。5.根据权利要求1所述的精确定位方法，其特征在于，所述根据每一帧图像信息经过卷积神经网络的目标预测结果的置信度输出，判别目标是否出现丢失现象以及目标出现丢失现象对应的当前帧图像信息，包括：记录每一帧图像信息经过卷积神经网络的目标预测结果的置信度输出Ti，包括当前第i帧图像信息在内的之前n帧图像信息的置信度输出序列Y记为：Y＝f(Ti,Ti‑1,...,Ti‑n)；计算置信度输出序列Y的统计学参数峰度：当Confi小于预设阈值时，则当前第i帧图像信息出现目标丢失现象，当Confi大于预设阈值时，则n帧图像信息中均未出现目标丢失现象。2CN113888628A权利要求书2/2页6.根据权利要求1所述的精确定位方法，其特征在于，所述基于当前帧图像信息，对其中的目标位置进行粗定位和精定位，获得当前帧图像信息的精定位目标跟踪位置，包括：快速从图像信息中定位目标丢失的初步目标定位框；基于初步目标定位框，采用图像分割方法，进一步确定目标的形状中心，获得精确的目标中心点及跟踪框区域。7.根据权利要求6所述的精确定位方法，其特征在于，所述基于初步目标定位框，采用图像分割方法，进一步确定目标的形状中心，获得精确的目标中心点及跟踪框区域，包括：a、以初步目标定位框的中心点作为种子点；b、在种子点的基础上将其周