(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210983968.5 (22)申请日 2022.08.17 (71)申请人 浙江理工大 学 地址 310018 浙江省杭州市杭州经济技 术 开发区白杨街道 2号大街9 28号 (72)发明人 向忠　王鸿涛　周光宝　钱淼　 (74)专利代理 机构 绍兴市知衡专利代理事务所 (普通合伙) 33277 专利代理师 施春宜 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/774(2022.01) G06V 10/75(2022.01) G06V 10/52(2022.01) G06V 10/82(2022.01)G06V 10/80(2022.01) (54)发明名称 一种针对变化特 征检测的改进算法 (57)摘要 本发明涉及一种针对变化特征检测的改进 算法， 其包括如下步骤： 1)， 提取第一帧的目标特 征作为训练样本； 2)， 获取第一帧的目标特征； 3)， 在Autotrack算 法的基础上， 引入空间正则项 获取可靠的滤波器惩罚系数， 相邻两帧的响应图 联系作为时间正则项控制滤波器的更新， 将两者 相结合实现对滤波器的约束； 4)， 使用相关滤波 方法训练目标滤波器模板， 在下一帧图像目标范 围提取目标特征， 构建尺度金字塔估计出最优尺 度模板并更新； 用自适应更新策略机制对目标响 应峰值位置进行置信度判断， 并对模板进行自适 应更新。 本发明不仅能获取多尺度变化特征， 还 能利用全局信息和精确的空间细节来提升预测 特征图的空间精度。 权利要求书2页 说明书5页 附图2页 CN 115512234 A 2022.12.23 CN 115512234 A 1.一种针对变化特 征检测的改进算法， 其特 征在于： 包括如下步骤： 1)， 提取第一帧的目标 特征作为训练样本； 2)， 获取第一帧的目标 特征； 3)， 在Autotrack算法的基础上， 引入空间正则项获取可靠 的滤波器惩罚系数， 相邻两 帧的响应图联系作为时间正则项控制滤波器的更新， 将两者相结合实现对滤波器的约束； 4)， 使用相关滤波方法训练目标滤波器模板， 在下一帧图像目标范围提取目标特征， 构 建尺度金字塔估计出最优尺度模板并更新； 用自适应更新策略机制对目标响应峰值位置进 行置信度判断， 并对 模板进行自适应更新。 2.如权利要求1所述的针对变化特征检测 的改进算法， 其特征在于： 所述步骤2)具体 为： 使用相同结构的两个预训练的ResNet ‑50网络结构作 为所提出网络模型的特征提取网 络， 它包含4个层级模块， 以获取图像的多层级特 征{Li|i＝1…4}； 在两个ResNet ‑50网络末端引入扩张卷积空间金字塔模块， 该模块有四个分支， 其 中有 三个分支为扩张卷积层， 扩张率 R为(1， 2， 3)； 另一个 分支为全局平均池化层， 并使用双 线性 插值进行 上采样处 理； 将相同结构的两个特征提取网络对应层级的特征进行级联， 即两个特征图在通道维度 上进行拼接， 并使用变换函数提取对应层级级联特征的变化特征图， 使用通道数为256的1 ×1卷积层来实现； 通过变化特征融合模块， 学习不同层级变化特征中可能的变化区域信息， 形成空间注 意力图， 并重新与变化特征相乘得到优化的变化特征图， 然后不同层级优化的变化特征进 行逐像素点求和， 并且后跟一个3 ×3卷积层来消除求和过程中的混叠效应， 最终产生具有 多个尺度的变化特 征图； 通过门控融合模块， 对得到的多尺度变化特征图分别进行滤波和上采样操作， 使多尺 度变化特征{P5,P4,P3}上采样到P2的大小， 对P5的处理是使用3 ×3卷积滤波和2倍的上采 样， 并迭代3次， 同理， P4迭代两次， P3迭代一次。 最后使用一个门控单元， 对4个多尺度变化 特征图以加权和的方式获得最终的变化特 征。 3.如权利要求1所述的针对变化特征检测的改进算法， 其特征在于： 所述网络模型的损 失函数为 4.如权利要求1所述的针对变化特征检测的改进算法， 其特征在于： 所述步骤2)进一步 包括： 将高层 级的变化特征进 行2倍上采样处理， 再将两种不同层 级的变化特征进 行级联得 到特征图M， 然后采用空间注意力机制思想产生两种不同的注意力图S1和S2； 其中， S1＝Conv(M,W1) S2＝Conv(M,W2)； 将两种注意力图在对应空间位置上使用softmax函数： A2(i,j)＝eS2(i,j)/(eS1(i,j)+eS2(i,j))权　利　要　求　书 1/2 页 2 CN 115512234 A 2A1(i,j)+A2(i,j)＝1 其中， A1表示为变化特征图F1中每一个空间位置分配的权重， A2表示为变化特征图F2 中每一个空间位置分配的权重， 接着将 变化特征F1和F2分别与A1和A2逐像素点相乘并求和 以产生融合特 征； 最后采用3 ×3卷积层对融合特 征进行处 理。 5.如权利要求1所述的针对变化特征检测的改进算法， 其特征在于： 所述步骤3)中， 时 间正则的表达函数为： 式中： K表示通道总数； 表示从第t个训练样本中提取的向量 化后的第j个通道的特 征； T表示 向量化后的长度； 分别表示第t个训练样本以及 第t‑1个训练样本在j通道的滤波器； y∈RT×1表示理想的高斯型输出； *表示卷积操作； 分别表示沿用Autot rack算法中的时间正则项系数的相关值与优化 值。权　利　要　求　书 2/2 页 3 CN 115512234 A 3