[发明专利]一种基于深度森林的目标跟踪方法

说明书

本发明公开了一种基于深度森林的目标跟踪方法。该方法为：将目标图像与待匹配图像在水平方向上进行串联以组成样本图像，建立正负样本集；定义多粒度扫描层和级联森林层，将两者串联构建深度森林模型；对多粒度扫描层和级联森林层分别进行训练，在训练过程中，以测试准确性的增加值小于阈值作为训练停止条件来确定级联森林层的层数；以上一帧图像中的目标位置为基础定义局部搜索范围，按照离散尺度间隔提取候选图像并归一化，将第一帧目标图像与候选图像进行串联并输入深度森林模型，对深度森林模型输出的概率进行比较，以最高概率所对应的位置作为目标当前位置，从而实现目标跟踪。本发明提高了复杂环境下目标跟踪的稳定性，并具有较好的实时性。

技术领域

本发明属于计算机视觉技术领域，特别是一种基于深度森林的目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域中的重要研究方向，得到了学术界和工业界的广泛关注。它的目的是在序列图像中对运动的目标物体进行定位，从而获得其相关参数，如位置、速度、尺度、轨迹等，这些参数可被进一步用于目标物体的行为理解，或者完成更高一级的任务。随着计算机性能提高和摄像终端增多，目标跟踪的需求不断增加，具有良好的发展前景，其典型应用已包括：安全监控、交通监控、人机交互、机器人、军事领域和医学应用等许多方面。

目标跟踪中存在着诸多影响因素，比如环境光照的变化、目标尺寸及外观的变化、目标与环境之间的遮挡、阴影现象等，都会影响目标跟踪的准确性和鲁棒性。深度神经网络能够从大量数据中自动学习深度特征，相比人工设计的图像特征更为稳定，近年来在目标跟踪中得到了普遍应用，同时它也存在着一些局限性，如对样本数量和计算量要求大，超参数较多，训练过程中的经验性较强。

发明内容

本发明的目的在于提供一种在复杂环境下稳定性高、实时性好的基于深度森林的目标跟踪方法，在保证目标跟踪性能的同时减少对样本数量、超参数的依赖性。

实现本发明目的的技术解决方案为：一种基于深度森林的目标跟踪方法，包括以下步骤：

步骤1：建立目标跟踪视频集，将视频集中的目标图像与待匹配图像进行归一化，并在水平方向上合并以组成样本图像，建立正负样本集，然后将该样本集划分为训练集和测试集两部分；

步骤2：定义多粒度扫描层和级联森林层并将两者串联，以样本图像作为多粒度扫描层的输入，以多粒度扫描层的输出作为级联森林层的输入，构建深度森林模型；

步骤3：在训练集中，首先对多粒度扫描层进行训练，然后以训练之后多粒度扫描层输出的特征向量作为样本，对级联森林层进行训练；在训练过程中，以深度森林模型测试准确性的增加值小于阈值作为训练停止条件，来确定级联森林层的层数；

步骤4：读入跟踪视频，确定目标初始位置、尺寸，提取目标模板图像并归一化，在任意时刻以上一帧图像中的目标位置为中心定义局部搜索范围，对该搜索范围中的每一个候选位置，按照离散尺度间隔提取候选图像并归一化，将归一化后的目标模板图像与候选图像在水平方向上合并，并输入深度森林模型，对深度森林模型输出的概率进行比较，以最高概率所对应的位置作为目标当前位置，从而实现目标跟踪。

进一步地，步骤1中所述的建立正负样本集，具体如下：

步骤1.1：设定目标图像和待匹配图像为I₁和I₂，按尺寸[S_x,S_y]对I₁和I₂进行归一化，得到归一化后的目标图像和待匹配图像为I₁'和I₂'，计算两者之间的重叠率定义阈值t₁和t₂，其中t₁＞t₂；