[发明专利]一种结合分类与域适应的视觉追踪方法

说明书

本发明公开了一种结合分类与域适应的视觉追踪方法，一方面结合了分类构图与迁移学习域适应两种方法的优势，寻求既能将前景和背景分离，又能为近期所获取的源域数据与当前待分类的目标域数据所共享的特征空间；另一方面，采纳了深度学习的思想，在目标域X_t的前景、背景判定和特征空间映射矩阵V的更新过程中，层层迭代，每一次迭代中根据上一次迭代的结果完成分类构图与域适应学习的结合，并将当前层次的输出结果V作为下一次迭代的输入，经过层层迭代学习，获得追踪结果，使得追踪结果的准确性更高。

技术领域

本发明属于计算机视觉技术领域，更为具体地讲，涉及一种结合分类与域适应的视觉追踪方法。

背景技术

随着人工智能和机器学习技术的发展，视觉追踪一直是计算机视觉技术领域的研究热点。视觉追踪是对视频中的目标进行位置探测、特征提取和识别、并完成跟踪的过程，可以应用在视频监控、人机交互、增强现实、智能交通和视频压缩等诸多领域。由于追踪目标经常具有位移、变形、旋转等特性，同时周围环境的复杂性，如光线变化、障碍物遮挡、参照物变化等原因，使得视觉追踪一直是一个充满挑战的研究课题。

分类方式是视觉追踪当中的一种常见方式，该方式将追踪目标从特征相似的其他候选样本分离出来，将成为目标可能性大的候选样本看作前景，而将周围环境看作背景，通过前景和背景的识别和分离，获取追踪目标。这种方法简单清晰，但是通常需要提前获知前景和背景的数据特征分布，所以往往采用的是有监督或半监督的学习方式，而真实环境中训练样本数据往往无法提前获知，使得有监督或半监督的学习方式开展受到阻碍。如果能利用历史追踪数据来对当前追踪目标作识别分析，可以解决训练样本不足的问题。

迁移学习(transferring learning)利用在源数据学习到的知识，应用到目标测试数据上，完成对目标数据的识别与分析。当现实中源数据和目标数据的特征分布具有差异时，不能直接将在源数据上建立的模型应用到目标数据中。为此，域适应(domainadaptation)尝试学习一个特征转化，它针对源域(source domain)和目标域(targetdomain)完成迁移学习，源域中数据的标签信息是已知的，而目标域中数据的标签信息未知，域适应采用特征转化的方法，使得经过特征转换后，源域的数据和目标域的数据在转换后的特征空间上的区分度最小，从而完成基于源域数据分布完成对目标域数据识别分析的任务。受追踪目标移动和环境变化影响，视觉追踪历史上前景和背景数据特征分布与当前的前景和背景数据特征分布常常存在差异。基于此，一种自然的想法就是能否将迁移学习的域适应思想应用到视觉追踪中，利用历史追踪数据分布完成对当前追踪目标的分析识别。

发明内容

本发明的目的在于克服现有技术的不足，针对视觉追踪问题，提供一种结合分类与域适应的视觉追踪方法，该方法结合了分类追踪方法的思想，同时利用了域适应方法的优势，以提高视觉追踪的效率和准确性，同时也充分利用了历史数据而无需额外的训练样本，具有无监督追踪方法的优点

为了实现上述发明目的，本发明结合分类与域适应的视觉追踪方法，其特征在于，包括如下步骤：

(1)、以上一帧图像中的目标窗口S_t-1为参考窗口，在当前帧图像中，利用动态模型(dynamic model)获取若干候选窗口，将候选窗口对应的样本作为候选样本；

(2)、将前一帧图像追踪得到的前景样本和背景样本构成源域X_s，利用分类器在上一次迭代所获得特征空间映射矩阵V所映射的特征空间中，将当前帧图像的候选样本分为两个类别：伪前景样本和伪背景样本，二者构成目标域X_t；