[发明专利]仿生模式识别目标自适应跟踪方法

权利要求书

1.一种仿生模式识别目标自适应跟踪方法，包括以下步骤：

(1)输入一段视频，采用隔帧抽取的方式选择n帧图像，以每帧图像中目标区域为中心截取训练样本，得到n个训练样本，分别将其编号为1,2,...,n，组成训练样本集；

(2)从训练样本集中提取训练样本特征，其特征包括：训练样本编号特征、训练样本灰度特征和训练样本目标尺寸特征；

(3)建立超香肠神经网络和径向基神经网络：

3a)设定覆盖参数α＝0.05，覆盖间隔k＝1/α，径向基函数个数m＝10；

3b)采用向量化方法和标准化方法对训练样本灰度特征进行预处理，并按照覆盖参数α进行加权训练，得到扩展训练样本，将所有扩展训练样本组合形成超香肠神经网络H，再将超香肠神经网络H中所有的扩展样本依次编号作为超香肠神经网络编号特征；

3c)依据覆盖间隔k更新训练样本编号特征，将更新后的训练样本编号特征与训练样本目标尺寸特征一起输入到具有m个互相连接的径向基函数R内进行训练，获得径向基神经网络W；

(4)使用欧式距离度量法则在搜索区域内搜索目标：

4a)输入一帧视频图像作为搜索区域；

4b)在搜索区域内，逐像素选择与训练样本集中训练样本同尺寸的区域作为候选区域，提取候选区域灰度特征，按照步骤3b)的方法对候选区域灰度特征进行预处理后得到测试样本，计算测试样本与超香肠神经网络H中所有扩展样本之间的欧式距离，得到一组超香肠距离；

4c)记录搜索区域内每一候选区域的最小超香肠距离，得到搜索区域距离，记录最小超香肠距离在超香肠编号特征中的编号，得到搜索区域编号；

(5)取搜索区域距离中具有最小距离的位置作为目标位置；

(6)取得搜索区域编号中目标位置处的编号，输入到径向基神经网络W，得到目标尺寸；

(7)在输入的该帧视频图像中标记出目标位置和目标尺寸，重复步骤(4)-步骤(6)，直至视频结束。

2.根据权利要求1所述的仿生模式识别目标自适应跟踪方法，其特征在于，步骤(1)所述的采用隔帧抽取的方式选择n帧图像，是从输入的视频中每隔t帧抽取一帧图像，一共抽取n＝L/t帧图像，其中L表示视频长度。

3.根据权利要求1所述的仿生模式识别目标自适应跟踪方法，其特征在于，步骤(2)所述的从训练样本集中提取训练样本特征，按照如下步骤进行：

2a)将训练样本集中的训练样本依次编号，将训练样本编号作为提取的训练样本编号特征；

2b)将训练样本集中的训练样本由RGB图像转换为灰度图像，RGB图像中R表示红色通道、G表示绿色通道，B表示蓝色通道，灰度图像中只有灰度通道，将灰度通道作为提取的训练样本灰度特征；

2c)截取训练样本集中训练样本的目标区域，将目标区域的尺寸作为提取的训练样本目标尺寸特征。

4.根据权利要求1所述的仿生模式识别目标自适应跟踪方法，其特征在于，步骤3b)所述的采用向量化方法和标准化方法对训练样本灰度特征进行预处理，是将训练样本灰度特征按照先行后列的顺序转换为向量的形式，得到训练样本向量，并采用如下转换公式对其进行转换，得到预处理后的训练样本：

y=x-xminxmax-xmin,]]>

其中，x表示训练样本向量，x_min＝min{x}表示取训练样本向量x中的最小值，x_max＝max{x}表示取训练样本向量x中的最大值，y表示预处理后的训练样本。

5.按照权利要求1所述的仿生模式识别目标自适应跟踪方法，其特征在于，步骤4b)所述的计算测试样本与超香肠神经网络H中所有扩展样本之间的欧式距离，利用如下公式计算：

d＝(g-h)^T(g-h)，

其中g表示测试样本，h表示超香肠神经网络H中扩展样本，T表示转置运算，d表示测试样本g与超香肠神经网络H中扩展样本h之间的欧式距离。