技术特征：
1.本申请的一个方面提供了一种餐饮税源监控目标跟踪算法，包括：1） 获取当前帧图像中包括所述目标及其周边的区域、预搜索区域，其中，对于第一帧图像，手动初始化待跟踪目标及其周边的区域框和预搜索区域；2）将所述目标及其周边的区域输入到预训练好的卷积神经元网络中，提取第四层的卷积特征，然后将其输入到全连接层，并获得全链接层的输出；3）将所述目标及其周边的区域输入到预训练好的卷积神经元网络中，提取第五层的卷积特征，然后将其输入到全连接层，并获得全链接层的输出；4）将所述目标预搜索区域输入到预训练好的卷积神经元网络中，提取第四层的卷积特征，然后将其输入到全连接层，并获得全链接层的输出；5）将所述目标预搜索区域输入到预训练好的卷积神经元网络中，提取第五层的卷积特征，然后将其输入到全连接层，并获得全链接层的输出；6）使用相关滤波器计算步骤2）和步骤4)的全链接层输出的响应；7）使用相关滤波器计算步骤2）和步骤4)的全链接层输出的响应；8）将步骤6）和步骤7）的结果加权相加，得到语义分支的响应；9）将三个具有最高得分的响应对应的目标框做为候选结果，分别输入到iou预测网络，得到网络的输出结果；10）比较三个输出结果，最大值对应的目标区域即为当前帧的跟踪结果；11）进行下一帧图像操作，转到步骤1），直到所有跟踪结束。2.如权利要求1所述的形变目标跟踪算法，其中,所述步骤9）包括：9
‑
1）输入上一帧目标的真实区域和边框信息，构建网络的参考分支；9
‑
2）输入三个具有最高得分的响应对应的目标搜索区域信息，构建测试分支。3.如权利要求2所述的形变目标跟踪算法，其中，所述步骤9
‑
1）包括：输入真实目标区域到resnet
‑
18网络，提取第一层特征映射，经过卷积和池化后，得到特征映射，进行全卷积操作，将结果输入到测试分支；提取第二层特征映射，经过卷积和池化后，得到特征映射，进行全卷积操作，将结果输入到测试分支。4.如权利要求2所述的形变目标跟踪算法，其中所述步骤9
‑
2）包括：输入真实目标区域到resnet
‑
18网络，提取第一层特征映射，经过卷积和池化后，得到特征映射；提取第二层特征映射，经过卷积和池化后，得到特征映射；联合参考分支的结果，得到iou值。
技术总结
本申请公开了一种餐饮税源监控目标跟踪算法及系统。该方法可包括：获取当前帧图像中包括所述目标及其周边的区域、预搜索区域，其中，对于第一帧图像，手动初始化待跟踪目标及其周边的区域框和预搜索区域；将所述目标及其周边的区域、目标预搜索区域分别输入到预训练好的卷积神经元网络中，分别提取第四层、第五层的卷积特征，然后将其输入到全连接层，并获得全链接层的输出；使用相关滤波器计算两个第四层、第五层得到的输出响应；将上述两个响应结果加权相加，得到语义分支的响应；将三个具有最高得分的响应对应的目标搜索区域分别输入到IoU预测网络，得到网络的输出结果；比较三个输出结果，最大值对应的目标区域即为当前帧的跟踪结果。的跟踪结果。的跟踪结果。
技术研发人员：谢英红 周育竹 韩晓微 杨光英 高强 吴浩铭
受保护的技术使用者：沈阳大学
技术研发日：2021.05.24
技术公布日：2021/12/23