[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

说明书

本发明公开了一种基于先验信息特征学习的运动目标跟踪方法，包括步骤：一、生成目标概率图模型；二、确定特定跟踪目标的位置与尺度信息；三、特定跟踪目标模型进行差异化调整更新。本发明离线收集特定目标先验信息并生成训练样本，并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；然后采用多尺度中心搜寻策略来判定特定目标的大致区域，并根据目标概率图模型来进一步确定特定目标的位置与尺度信息；最后通过双层卷积神经网络模型，并结合负样本的稳定性对特定目标模型进行差异化调整更新。

技术领域

本发明属于运动目标跟踪技术领域，具体涉及一种基于先验信息特征学习的运动目标跟踪方法。

背景技术

运动目标跟踪是智能视频分析领域的重要研究课题和应用方向，一般可分为基于状态推理的跟踪方法和基于检测识别的跟踪方法两类。基于状态推理的跟踪方法通常在贝叶斯推理框架下实现，该方法假设目标的运动和观测服从一定的规律，从而通过求解目标运动参数的后验概率来实现运动目标的跟踪。基于状态推理的跟踪方法依赖于运动目标的动态模型和观测模型，然而在很多情况下，动态模型和观测模型无法得到准确的结果，此时只能采用粒子滤波等近似实现对运动目标的跟踪估计。基于检测识别的跟踪方法将跟踪归结为检测、识别问题，并搜索、匹配当前图像中与目标参考模型最相似的区域作为运动目标的跟踪结果。基于检测识别的跟踪方法通常需要不断在线收集跟踪过程中的目标样本数据，当目标样本数据不足时，其跟踪效果不理想。

近年来，诸如卷积神经网络、深度神经网络等深度学习方法受到了前所未有的关注，由于深度学习方法能够通过底层特征的学习，挖掘出样本数据更高层级的深度特征，而这些被抽象表达的深度特征被认为更能反映目标深层次的本质，因此相比于底层特征的学习，该类特征描述方法可显著提升性能。目前，深度学习方法已在图像识别、目标检测等领域取得了较大成功，并在表征图像位移、尺度变化和其他扭曲形式方面表现出了非常强的生命力，而这些又是运动目标跟踪中选取目标特征时最为看重的关键性因素，但其在运动目标跟踪领域的探索应用却相当稀少。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于先验信息特征学习的运动目标跟踪方法，离线收集特定目标先验信息并生成训练样本，并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；然后采用多尺度中心搜寻策略来判定特定目标的大致区域，并根据目标概率图模型来进一步确定特定目标的位置与尺度信息；最后通过双层卷积神经网络模型，并结合负样本的稳定性对特定目标模型进行差异化调整更新，便于推广使用。

为解决上述技术问题，本发明采用的技术方案是：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；