本發(fā)明涉及目標(biāo)跟蹤，尤其涉及一種低慢小目標(biāo)跟蹤方法及跟蹤系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代視頻處理與計算機(jī)視覺領(lǐng)域中，低慢小目標(biāo)（如無人機(jī)、鳥類等）的跟蹤技術(shù)具有廣泛的應(yīng)用價值，包括但不限于安全監(jiān)控、空中交通管理、野生動物保護(hù)等多個方面。然而，由于低慢小目標(biāo)在視頻序列中往往呈現(xiàn)出尺寸小、運動速度慢、易受背景干擾等特點，其準(zhǔn)確跟蹤成為一項極具挑戰(zhàn)性的任務(wù)。

2、傳統(tǒng)的目標(biāo)跟蹤方法，如光流法、卡爾曼濾波器等，在處理簡單場景下的目標(biāo)跟蹤時表現(xiàn)尚可，但在面對低慢小目標(biāo)時，由于目標(biāo)特征不明顯、易受噪聲干擾等問題，這些方法的跟蹤精度和魯棒性往往難以滿足實際需求。

3、因此，有必要提供一種低慢小目標(biāo)跟蹤方法及跟蹤系統(tǒng)解決上述技術(shù)問題。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供一種低慢小目標(biāo)跟蹤方法及跟蹤系統(tǒng)，結(jié)合了siamese網(wǎng)絡(luò)和粒子濾波器的優(yōu)勢，實現(xiàn)了對低慢小目標(biāo)的準(zhǔn)確跟蹤。

2、本發(fā)明提供了一種低慢小目標(biāo)跟蹤方法，所述跟蹤方法包括以下步驟：

3、從視頻序列的首幀圖像中選取目標(biāo)，并對選取的目標(biāo)進(jìn)行特征提取，生成目標(biāo)模板及其特征向量；

4、使用siamese網(wǎng)絡(luò)的第一分支對所述目標(biāo)模板進(jìn)行處理，生成初始粒子集，其中所述初始粒子集中的每個粒子表示目標(biāo)的候選位置和候選狀態(tài)；

5、對于每個粒子，根據(jù)上一幀的粒子狀態(tài)和運動模型，利用粒子濾波器預(yù)測下一幀中粒子的新位置和新狀態(tài)；

6、根據(jù)預(yù)測的下一幀中粒子的新位置和新狀態(tài)，從當(dāng)前幀中提取每個粒子對應(yīng)的至少一個候選區(qū)域，并使用siamese網(wǎng)絡(luò)的第二分支提取每個候選區(qū)域的特征向量；

7、基于每個候選區(qū)域的特征向量與目標(biāo)模板特征向量之間的第一相似度計算目標(biāo)的最終位置；

8、利用當(dāng)前幀中目標(biāo)的最終位置對目標(biāo)模板進(jìn)行動態(tài)更新，并將所述最終位置設(shè)定為下一幀跟蹤的起始位置，重復(fù)執(zhí)行之前的步驟，以實現(xiàn)對下一幀中目標(biāo)的連續(xù)跟蹤。

9、優(yōu)選的，所述從視頻序列的首幀圖像中選取目標(biāo)，并對選取的目標(biāo)進(jìn)行特征提取，生成目標(biāo)模板及其特征向量，包括：

10、在視頻序列的首幀圖像中選取目標(biāo)；

11、對選取的目標(biāo)應(yīng)用特征提取算法，提取所述目標(biāo)的目標(biāo)特征；

12、根據(jù)提取的目標(biāo)特征構(gòu)建目標(biāo)模板，并將所述目標(biāo)模板轉(zhuǎn)換為特征向量形式，得到目標(biāo)模板的特征向量。

13、優(yōu)選的，所述使用siamese網(wǎng)絡(luò)的第一分支對所述目標(biāo)模板進(jìn)行處理，生成初始粒子集，其中所述初始粒子集中的每個粒子表示目標(biāo)的候選位置和候選狀態(tài)，包括：

14、將所述目標(biāo)模板輸入至siamese網(wǎng)絡(luò)的第一分支中，并利用siamese網(wǎng)絡(luò)的第一分支對目標(biāo)模板進(jìn)行特征學(xué)習(xí)和匹配，評估目標(biāo)模板與潛在候選目標(biāo)之間的第二相似度；

15、根據(jù)所述第二相似度，在視頻序列的當(dāng)前幀內(nèi)生成一組初始粒子集，其中每個粒子代表一個潛在的候選位置及候選狀態(tài)；

16、根據(jù)目標(biāo)模板的特征向量和預(yù)期的運動模式，對初始粒子集中的粒子分布進(jìn)行初始化。

17、優(yōu)選的，所述對于每個粒子，根據(jù)上一幀的粒子狀態(tài)和運動模型，利用粒子濾波器預(yù)測下一幀中粒子的新位置和新狀態(tài)，包括：

18、讀取上一幀中每個粒子的粒子狀態(tài)，其中所述粒子狀態(tài)包括位置、速度和加速度；

19、基于模型映射表，根據(jù)目標(biāo)的跟蹤場景選定運動模型；

20、將上一幀的粒子狀態(tài)和選定的運動模型作為輸入，應(yīng)用粒子濾波器進(jìn)行狀態(tài)預(yù)測；

21、粒子濾波器通過迭代更新粒子的位置和狀態(tài)，以估計下一幀中每個粒子的新位置和新狀態(tài)。

22、優(yōu)選的，所述根據(jù)預(yù)測的下一幀中粒子的新位置和新狀態(tài)，從當(dāng)前幀中提取每個粒子對應(yīng)的至少一個候選區(qū)域，并使用siamese網(wǎng)絡(luò)的第二分支提取每個候選區(qū)域的特征向量，包括：

23、對于當(dāng)前幀中的每個粒子，根據(jù)預(yù)測的新位置和新狀態(tài)，確定一個或多個候選區(qū)域；

24、針對每個候選區(qū)域，使用預(yù)定的變換方法從當(dāng)前幀中提取出對應(yīng)的圖像塊；

25、將提取出的每個圖像塊輸入至siamese網(wǎng)絡(luò)的第二分支中，利用siamese網(wǎng)絡(luò)的第二分支對每個圖像塊進(jìn)行特征提取，生成對應(yīng)的特征向量。

26、優(yōu)選的，所述基于每個候選區(qū)域的特征向量與目標(biāo)模板特征向量之間的第一相似度計算目標(biāo)的最終位置，包括：

27、對于當(dāng)前幀中的每個粒子，計算對應(yīng)候選區(qū)域的特征向量與目標(biāo)模板特征向量之間的相似度，得到第一相似度；

28、根據(jù)所述第一相似度，為每個粒子分配一個權(quán)重，其中相似度與權(quán)重成正比；

29、基于粒子的權(quán)重對粒子集進(jìn)行重采樣，以生成新的粒子集；

30、根據(jù)新粒子集中粒子的位置和權(quán)重，通過加權(quán)平均方法計算目標(biāo)的最終位置。

31、優(yōu)選的，所述利用當(dāng)前幀中目標(biāo)的最終位置對目標(biāo)模板進(jìn)行動態(tài)更新，并將所述最終位置設(shè)定為下一幀跟蹤的起始位置，重復(fù)執(zhí)行之前的步驟，以實現(xiàn)對下一幀中目標(biāo)的連續(xù)跟蹤，包括：

32、在得到當(dāng)前幀中目標(biāo)的最終位置后，根據(jù)所述最終位置對目標(biāo)模板進(jìn)行更新；

33、更新后，基于所述最終位置設(shè)定下一幀中粒子濾波器的初始狀態(tài)并進(jìn)行預(yù)測；

34、重復(fù)執(zhí)行從目標(biāo)模板生成到目標(biāo)最終位置計算的整個跟蹤流程，直至視頻序列結(jié)束，從而實現(xiàn)對整個視頻序列中低慢小目標(biāo)的連續(xù)跟蹤。

35、本發(fā)明還提供了一種低慢小目標(biāo)跟蹤系統(tǒng)，用于執(zhí)行一種低慢小目標(biāo)跟蹤方法，所述跟蹤系統(tǒng)包括：

36、特征提取模塊，用于從視頻序列的首幀圖像中選取目標(biāo)，并對選取的目標(biāo)進(jìn)行特征提取，生成目標(biāo)模板及其特征向量；

37、粒子集生成模塊，用于使用siamese網(wǎng)絡(luò)的第一分支對所述目標(biāo)模板進(jìn)行處理，生成初始粒子集，其中所述初始粒子集中的每個粒子表示目標(biāo)的候選位置和候選狀態(tài)；

38、粒子狀態(tài)預(yù)測模塊，用于對于每個粒子，根據(jù)上一幀的粒子狀態(tài)和運動模型，利用粒子濾波器預(yù)測下一幀中粒子的新位置和新狀態(tài)；

39、候選區(qū)域特征提取模塊，用于根據(jù)預(yù)測的下一幀中粒子的新位置和新狀態(tài)，從當(dāng)前幀中提取每個粒子對應(yīng)的至少一個候選區(qū)域，并使用siamese網(wǎng)絡(luò)的第二分支提取每個候選區(qū)域的特征向量；

40、目標(biāo)位置計算模塊，用于基于每個候選區(qū)域的特征向量與目標(biāo)模板特征向量之間的第一相似度計算目標(biāo)的最終位置；

41、跟蹤循環(huán)模塊，用于利用當(dāng)前幀中目標(biāo)的最終位置對目標(biāo)模板進(jìn)行動態(tài)更新，并將所述最終位置設(shè)定為下一幀跟蹤的起始位置，重復(fù)執(zhí)行之前的步驟，以實現(xiàn)對下一幀中目標(biāo)的連續(xù)跟蹤。

42、與相關(guān)技術(shù)相比較，本發(fā)明提供的一種低慢小目標(biāo)跟蹤方法及跟蹤系統(tǒng)具有如下有益效果：

43、本發(fā)明首先從視頻序列的首幀圖像中選取目標(biāo)并生成目標(biāo)模板及其特征向量，然后利用siamese網(wǎng)絡(luò)的第一分支生成初始粒子集。在跟蹤過程中，本發(fā)明根據(jù)上一幀的粒子狀態(tài)和運動模型利用粒子濾波器預(yù)測下一幀中粒子的新位置和新狀態(tài)，并從當(dāng)前幀中提取每個粒子對應(yīng)的候選區(qū)域及其特征向量。接著，本發(fā)明計算每個候選區(qū)域的特征向量與目標(biāo)模板特征向量之間的相似度，并根據(jù)相似度為每個粒子分配權(quán)重，最終通過加權(quán)平均方法計算目標(biāo)的最終位置。在得到當(dāng)前幀中目標(biāo)的最終位置后，本發(fā)明還利用該位置對目標(biāo)模板進(jìn)行動態(tài)更新，以便在下一幀中繼續(xù)跟蹤目標(biāo)。