[发明专利]一种多目标动物跟踪方法及装置

权利要求书

1.一种多目标动物跟踪方法，其特征在于，包括：

将原始的动物视频数据输入训练好的深度神经网络，获取所述动物视频数据对应的动物模型；所述训练好的深度神经网络包括多个卷积层、下采样层和特定分类层；

利用所述动物模型对所述原始的动物视频数据中的多个目标动物进行跟踪。

2.根据权利要求1所述的方法，其特征在于，通过以下步骤获取所述训练好的深度神经网络：

获取训练样本集中的动物视频图像，并对所述动物视频图像中的目标动物进行标注，将标注后的动物视频图像作为训练数据；

采用主成分分析PCA对训练数据进行降维处理，获取所述训练数据的主要特征；

构建包括多个卷积层、下采样层和特定分类层的深度神经网络；

采用所述深度神经网络对降维后的训练数据进行训练并更新所述深度神经网络的网络参数，所述网络参数包括卷积核参数和偏置参数。

3.根据权利要求2所述的方法，其特征在于，所述采用主成分分析PCA对训练数据进行降维处理，获取所述训练数据的主要特征，具体包括：

利用所述训练数据的像素矩阵的均值向量对所述训练数据进行中心化处理，并计算中心化后的协方差矩阵；

对所述协方差矩阵进行特征分解，并按从大到小的顺序排序，获得所述训练数据的所有特征向量；

基于所述所有特征向量，获取前d个特征值所对应的特征子空间，并通过特征子空间投影获得图像特征向量；

其中，所述前d个特征值之和与所有特征向量之和的比值大于或等于预设比值。

4.根据权利要求3所述的方法，其特征在于，所述利用所述训练数据的像素矩阵的均值向量对所述训练数据进行中心化处理，并计算中心化后的协方差矩阵，具体包括：

基于L个训练数据，将每一个N＝m×n维的训练数据的像素值构成一个矩阵Xm×n，并将所述矩阵Xm×n转换成一个列向量xi，获得由列向量构成的训练样本集{x1,x2,...,xL}；

利用列向量xi的均值向量μ将L个训练数据对应的矩阵进行中心化，其中列向量xi的均值向量μ通过下式获取：

μ = 1 L Σ i = 1 L x i ; ]]>

利用下式计算中心化后的协方差矩阵S：

S = Σ i = 1 L ( x i - μ ) ( x i - μ ) T . ]]>