一种基于卷积网络和粒子滤波的目标跟踪方法

本发明涉及目标跟踪的，具体而言，尤其涉及一种基于卷积网络和粒子滤波的目标跟踪方法。

背景技术：

1、粒子滤波算法作为目标跟踪领域的经典算法之一，其通过不断对目标状态进行估计和更新，能够有效地实现对目标的跟踪。然而，传统的粒子滤波算法在处理复杂背景和目标运动模糊等情况下存在跟踪性能下降的问题。而基于卷积神经网络的粒子滤波目标跟踪算法，则能够通过深度学习技术提取图像特征，结合粒子滤波算法对目标进行更加准确和稳定的跟踪。因此，研究基于卷积神经网络的粒子滤波目标跟踪算法，对于提高目标跟踪的准确性和稳定性，具有重要的研究意义和应用价值。

技术实现思路

1、根据上述背景技术中提到的技术问题，而提供一种基于卷积网络和粒子滤波的目标跟踪方法。本研究正是基于对现有目标跟踪技术的深入分析和对未来发展趋势的准确把握，旨在通过卷积神经网络对粒子滤波算法进行改进，进而提升整个目标跟踪系统的性能。通过融合卷积神经网络在特征提取方面的优势，以及粒子滤波算法在状态估计方面的高效性，提出一个具有实用意义的目标跟踪新框架，为解决传统算法在复杂应用场景中遇到的问题提供了可能的解决新思路。

2、本发明采用的技术手段如下：

3、一种基于卷积神经网络的粒子滤波目标跟踪方法，通过深度学习技术提取图像特征，结合粒子滤波算法对目标进行更加准确和稳定的跟踪，包括以下步骤：

4、s1、选用otb100数据集和vot2016数据集；

5、s2、对vgg网络进行改进，获取改进后的网络模型

6、s3、将otb100数据集和vot2016数据集中的视频序列输入改进后的网络模型，对所述改进后的网络模型进行训练，得到改进后的vgg-m模型；

7、s4、将改进后的vgg-m网络模型为粒子滤波的特征提取工具，对输入的视频序列标签中的目标进行目标跟踪。

8、较现有技术相比，本发明具有以下优点：

9、本发明结合深度学习的方法和策略，以提高算法在实际应用中的性能表现。通过引入迁移学习及注意力机制等先进技术，并优化深度模型的网络结构，不仅能够提高算法的鲁棒性和准确性，同时也实现模型的高效运算与快速响应。

技术特征：

1.一种基于卷积神经网络的粒子滤波目标跟踪方法，通过深度学习技术提取图像特征，结合粒子滤波算法对目标进行更加准确和稳定的跟踪，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于卷积神经网络的粒子滤波目标跟踪方法，其特征在于，所述步骤s1中，在vot2016数据集中找到暗部汽车cardark、自行车bicycle、慢跑jogging的数据集和数据集的训练标签并进行下载。

3.根据权利要求1所述的一种基于卷积神经网络的粒子滤波目标跟踪方法，其特征在于，所述步骤s2中，对vgg模型的改进包括以下步骤：

4.根据权利要求3所述的一种基于卷积神经网络的粒子滤波目标跟踪方法，其特征在于，所述s22中，在训练时，输入的粒子图片经过粒子滤波跟踪器得到的特征图，将特征图每个像素点的位置向量单独组成一个向量组对每个特征向量进行注意力机制，从而得到特征图的掩膜，然后利用矩阵中相应位置相乘的方法得到最后的注意力机制特征图。

5.根据权利要求1所述的一种基于卷积神经网络的粒子滤波目标跟踪方法，其特征在于，所述s4包括以下步骤：

6.根据权利要求5所述的一种基于卷积神经网络的粒子滤波目标跟踪方法，其特征在于，所述正样本为权重大于0.7的粒子。

7.根据权利要求5所述的一种基于卷积神经网络的粒子滤波目标跟踪方法，其特征在于，所述负样本为权重小于0.4的粒子。

技术总结本发明提供基于卷积神经网络的粒子滤波目标跟踪方法，通过深度学习技术提取图像特征，结合粒子滤波算法对目标进行更加准确和稳定的跟踪，包括以下步骤：选用OTB100数据集和VOT2016数据集；对VGG网络进行改进，获取改进后的网络模型；将OTB100数据集和VOT2016数据集中的视频序列输入改进后的网络模型，对所述改进后的网络模型进行训练，得到改进后的VGG‑M模型；将改进后的VGG‑M网络模型为粒子滤波的特征提取工具，对输入的视频序列标签中的目标进行目标跟踪。本发明结合深度学习的方法和策略，提高算法在实际应用中的性能表现。通过引入迁移学习及注意力机制等先进技术，并优化深度模型的网络结构，不仅能够提高算法的鲁棒性和准确性，同时也实现模型的高效运算与快速响应。技术研发人员：索继东,高梦林,贾昊龙,夏震受保护的技术使用者：大连海事大学技术研发日：技术公布日：2024/7/29