[发明专利]一种基于先验信息特征学习的运动目标跟踪方法

权利要求书

1.一种基于先验信息特征学习的运动目标跟踪方法，其特征在于，该方法包括以下步骤：

步骤一、生成目标概率图模型：离线收集特定运动目标的先验信息并生成训练样本，利用卷积神经网络对训练样本进行预训练，生成目标概率图模型，过程如下：

步骤101、选取Image Net 2014数据集中包含某个特定运动目标的图片作为正样本，不包含该特定运动目标的图片作为负样本；

步骤102、利用卷积神经网络模型对上述样本进行训练；

步骤103、输出50×50的目标概率图，概率图上的每个像素点对应原始输入视频帧的一个2×2区域，并且该像素点的值代表原始输入视频帧属于特定运动目标的概率大小；

步骤二、确定特定跟踪目标的位置与尺度信息：通过自动选择或人工标注方式选取特定跟踪目标，采用多尺度中心搜寻策略确定特定跟踪目标的大致区域，并根据目标概率图模型进一步精确确定特定跟踪目标的位置与尺度信息，过程如下：

步骤201、初始时刻，通过自动选择或人工标注方式选取特定跟踪目标；

步骤202、任意t时刻，利用多尺度中心搜寻策略确定特定跟踪目标的大致区域，过程如下：

步骤A、计算t-1时刻特定跟踪目标矩形框的中心，从而确定搜索中心点；

步骤B、根据初始时刻获得的特定跟踪目标真实尺度信息，采用最小的搜索尺度对目标进行搜索，当目标概率图的输出概率小于一定阈值时，则判定目标不在该搜索尺度范围内，转入步骤C；

步骤C、继续搜索特定跟踪目标，并加大搜索尺度，直至目标概率图的输出概率大于设定阈值时，则确定目标在该搜索尺度范围内；

步骤D、若各种搜索尺度均不能发现特定跟踪目标，则判定目标丢失；

步骤203、与离线阶段获得的目标概率图进行匹配度量，从而确定最佳的目标位置与具体尺度，过程如下：

步骤I、确定最佳的特定目标跟踪框中心位置，首先设定目标概率图对应的阈值λ₁，采用基于密度基的方法进行搜索，当跟踪框内所有区域目标概率图均高于阈值λ₁时，即停止搜索，此时可确定该跟踪框中心即为当前时刻特定目标跟踪框的中心点；

步骤II、确定跟踪框尺度，令M表示目标概率图，m_ij表示目标概率图M中(i,j)位置对应的概率值，若设跟踪框的左上角位置坐标为(x,y)，宽为a，高度为b，根据公式计算跟踪框尺度c，其中，ε为平衡系数，用来平衡跟踪框的尺度；

步骤三、特定跟踪目标模型进行差异化调整更新：通过双层卷积神经网络模型，对特定跟踪目标模型进行差异化调整更新；

步骤三中，若当前帧输出的目标概率均值低于设定阈值，立即对短时表观模型进行更新，即其中，λ₂为短时更新参数；

步骤三中，长时表观模型根据公式进行更新，其中，(x,y,a,b)分别表示的是当前跟踪框的位置与长宽信息，λ₃为长时更新参数。

2.按照权利要求1所述的一种基于先验信息特征学习的运动目标跟踪方法，其特征在于：步骤101中对每个正样本边界框内部随机进行特定目标像素填充。

3.按照权利要求1所述的一种基于先验信息特征学习的运动目标跟踪方法，其特征在于：步骤101中，当特定运动目标预测边界框与正样本的重合率低于一定阈值时，随机将其内部像素标记为负样本。

4.按照权利要求1所述的一种基于先验信息特征学习的运动目标跟踪方法，其特征在于：步骤103中，先设置逻辑回归模型，并定义对应的损耗函数其中，m_ij表示位置(i,j)的预测像素值，n_ij表示位置(i,j)真实值的二值表示；正样本数据边界框内部设置为1，外部设置为0，负样本数据统一设置为0。