[发明专利]基于生成对抗网络正样本增强的多姿态人体目标跟踪方法

权利要求书

1.一种基于生成对抗网络正样本增强的多姿态人体目标跟踪方法，其特征在于，包括以下步骤：

S1：采用人体目标多姿态样本训练集对StarGAN网络模型进行预训练，采用人体目标跟踪样本训练集对MDNet算法模型进行预训练；

S2：在首帧包含人体目标的图像中标定人体目标的目标矩形框，根据目标矩形框在首帧图像上采集得到若干正样本和负样本，对MDNet算法模型进行初始化；分别从以上正样本和负样本中选择部分样本添加至MDNet算法模型的样本队列S；

S3：如果上一帧跟踪成功，则提取上一帧跟踪结果对应的目标矩形框图像，根据需要设置若干姿态标签，每次将目标矩形框图像和1个姿态标签作为StarGAN网络模型的输入，将StarGAN网络模型中生成器网络输出的图像作为正样本，将得到的所有正样本添加至样本队列S，如果上一帧跟踪失败，则不作任何操作；

S4：采用MDNet算法模型对当前帧图像进行人体目标跟踪；

S5：判断步骤S4中是否跟踪成功，如果是，进入步骤S6，否则进入步骤S8；

S6：根据跟踪结果采集获得若干正样本和若干负样本添加至样本队列S；

S7：判断是否达到MDNet算法模型的长期更新周期，如果未到达，则不作任何操作，否则利用样本队列S中的全部样本对MDNet算法模型进行长期更新训练，返回步骤S3；

S8：如果跟踪失败，采用样本队列S中的部分样本对MDNet算法模型进行更新训练，返回步骤S3。

2.根据权利要求1所述的跟踪方法，其特征在于，所述StarGAN网络模型包括生成器网络和判别器网络，其中：

生成器网络包括四层卷积层、残差网络和两层反卷积层，前三层卷积层依次连接，每层包括卷积、实例规范化以及ReLU激活函数，第一层卷积层的的输入为一个大小为128*128的三通道彩色图像以及指定域的标签信息，第一层卷积层中卷积核大小为7*7，卷积核移动步幅为1，特征图边界填充为3，无偏置，后两层卷积层中卷积核大小为4*4，卷积核移动步幅为2，特征图边界填充为1，无偏置；三层卷积层得到的特征图输入到残差网络中；

残差网络由6个依次连接的残差学习模块构成，每个残差学习模块包含两层卷积层，第一层卷积层包括卷积、实例规范化和ReLU激活函数，第二层卷积层包括卷积和实例规范化，两层卷积结构参数相同，卷积核大小为3*3，卷积核移动步幅为1，特征图边界填充为1，无偏置；残差网络得到的特征图输入到第一层反卷积层；

两层反卷积层依次连接，每层包括卷积、实例规范化处理以及ReLU激活函数，两层反卷积参数相同，卷积核大小4*4，卷积核移动步幅为2，特征图边界填充为1，无偏置；第二层反卷积层的特征图输入至最后一层卷积层中；

最后一层卷积层包括卷积和Tanh激活函数，卷积核大小为7*7，卷积核移动步幅为1，特征图边界填充为3，无偏置；

判别器网络包括七层依次连接的卷积层，前六层卷积层包括卷积和LeakyReLU激活函数，卷积核大小为4*4，卷积核移动步幅为2，特征图边界填充为1，无偏置，LeakyReLU参数设置为0.01；最后一层卷积层有两个分支结构，第一个分支卷积核大小为3*3，卷积核移动步幅为1，特征图边界填充为1，无偏置，第二个分支卷积核大小为2*2，无边界填充和偏置。