公开(公告)号：CN109410251B

公开(公告)日：2022-05-03

申请号：CN201811374073.1

申请日：2018-11-19

Applicant: 南京邮电大学

Inventor： 范保杰 ,  陈会志

IPC: G06T7/246 ,  G06V10/771 ,  G06K9/62 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明揭示了一种基于稠密连接卷积网络的目标跟踪方法，包括如下步骤：S1、确定兴趣目标的大小和位置；S2、提取输入帧的卷积特征并进行判断，若输入帧为初始帧，则求取PCA投影矩阵对卷积特征进行降维，使用所得卷积特征训练基于稠密连接网络的目标跟踪模型，进入S7，否则使用已训练PCA投影矩阵对输入帧卷积特征进行降维，进入S3；S3、将卷积特征输入跟踪模型预测兴趣目标的位置；S4、在目标预测位置进行尺度采样，估计目标大小；S5、更新目标跟踪模型的网络权值；S6、输出目标预测位置和尺度；S7、输入下一帧，直至完成视频所有帧的预测。本发明实现了跟踪模型的端到端学习，有效地缩减了训练时间，提升了使用效率。

公开(公告)号：CN109410251A

公开(公告)日：2019-03-01

申请号：CN201811374073.1

申请日：2018-11-19

Applicant: 南京邮电大学

Inventor： 范保杰 ,  陈会志

IPC: G06T7/246 ,  G06K9/62 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明揭示了一种基于稠密连接卷积网络的目标跟踪方法，包括如下步骤：S1、确定兴趣目标的大小和位置；S2、提取输入帧的卷积特征并进行判断，若输入帧为初始帧，则求取PCA投影矩阵对卷积特征进行降维，使用所得卷积特征训练基于稠密连接网络的目标跟踪模型，进入S7，否则使用已训练PCA投影矩阵对输入帧卷积特征进行降维，进入S3；S3、将卷积特征输入跟踪模型预测兴趣目标的位置；S4、在目标预测位置进行尺度采样，估计目标大小；S5、更新目标跟踪模型的网络权值；S6、输出目标预测位置和尺度；S7、输入下一帧，直至完成视频所有帧的预测。本发明实现了跟踪模型的端到端学习，有效地缩减了训练时间，提升了使用效率。