[发明专利]一种基于深度去噪自动编码器的粒子滤波跟踪方法

权利要求书

1.一种基于深度去噪自动编码器的粒子滤波跟踪方法，其特征在于：

步骤1：训练深度网络模型，通过无监督的逐层贪心训练每一层网络并在训练数据中加入噪声以得到更为稳健的特征表达，通过分类神经网络对这些特征进行有监督的学习，进一步优化网络的参数；

步骤2：采用视频第一帧手动标定目标位置，从序列中选取正负训练样本，初始化步骤1中深度网络模型；

步骤3：采用重要性抽样粒子集，然后通过训练好的网络模型向前传播每个粒子，并通过分类神经网络计算在线跟踪过程中每个粒子的置信度；

步骤4：根据步骤3中粒子置信度计算粒子的观测概率；

步骤5：根据步骤4中观察概率更新粒子的权重，以确定目标位置，为下一帧更新跟踪新样本，循环步骤3到步骤5的过程，直到视频播放完毕；

所述步骤1中训练过程如下：假设针对未标记类别的训练样本集x∈R^d，通过激活函数f将输入x映射到隐藏层以获得z∈R^d

z∈f_θ(x)＝σ(Wx+b)    (1)

其中，θ＝{W，b}，W是权重矩阵，b是编码层矢量，σ是非线性激活函数，解码器重新映射输入的编码表示以形成重构的y

y∈f_θ(h)＝σ(W'h+b')    (2)

其中，θ′＝{W′，b′}，W′是权重矩阵W的转置，σ是解码的激活函数；自动降噪编码器通过上述过程使y约等于x；

假设训练集{(x⁽¹⁾，y⁽¹⁾，...，(x^(m)，y^(m))}包含m个训练样本，x表示单个样本特征，y表示样本对应的输入，并且采用单个样本(x，y)来定义其成本函数；

其中h_W，b(x)是对应于网络的样本x的输出值，因此m个样本训练集的成本函数是：

λ是减重系数，控制两部分的相对重要性；训练自动降噪编码器的过程是调整训练样本集中参数{θ，θ′}的最小重建误差J(W，b)，J(W，b)是一个凸起函数，通过迭代方法优化。

2.根据权利要求1所述的一种基于深度去噪自动编码器的粒子滤波跟踪方法，其特征在于：所述步骤1中深度网络模型由自动降噪编码器叠加，并使用下一层的输出作为上层的输入；所述自动降噪编码器，包括编码器、解码器和隐式层三部分，所述解码器需要根据噪声特性预测原始未损坏的数据，最后输出最接近的原始输入，高斯噪声用作衰减矢量，其表达式为：

其中，x是没有噪声干扰的原始输入，是噪声污染后的数据，而σ表示自动编码器的正则化程度。

3.根据权利要求1所述的一种基于深度去噪自动编码器的粒子滤波跟踪方法，其特征在于：所述分类神经网络包括自动降噪编码器编码部分与k个稀疏约束连接的分类层组成。

4.根据权利要求1所述的一种基于深度去噪自动编码器的粒子滤波跟踪方法，其特征在于：所述步骤1中分类神经网络学习方法如下:设Z是自编码器隐藏层的激活函数，在前向传播阶段，激活函数Z是：

z＝W^Tx+b    (6)

其中，x是输入向量；w是权重；b是偏置(bias)，

保持激活函数前K个最大值并将其余所有设置为零：

其中，(Γ)^c是z的补充，(Γ)^c＝sup p_k(z)，稀疏z用于计算网络重建误差：

其中，x是训练样本集，W代表权重，b′代表偏置(bias)的转置，权重由激活函数输出的前K个最大值反向传播以重建误差迭代调整。