[发明专利]基于优化方差下降的计算机视觉单目标跟踪方法

说明书

本发明提供了一种基于优化方差下降的计算机视觉单目标跟踪方法。该方法包括：根据单目标跟踪问题设计基于非凸优化的随机方差下降梯度的深度神经网络模型，对深度神经网络模型进行监督训练，根据训练好的深度神经网络模型使用基于回归动作奖励函数的强化学习方法训练表观模型与运动模型；利用训练好的表观模型、运动模型和深度神经网络模型对当前环境下的单目标进行跟踪，得到跟踪目标的预测位置和尺度；根据当前跟踪目标的位置和目标特征进行表观模型以及运动模型更新，进行下一帧的目标跟踪，直至跟踪结束。本发明的方法不仅运算速度更快，而且具有更稳定的模型探索能力，在绝大多数复杂场景下都能够达到更鲁棒的、高质量的目标跟踪效果。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于优化方差下降的计算机视觉单目标跟踪方法。

背景技术

计算机视觉单目标跟踪是一种对视频中的目标进行实时定位和分析，提供目标在视频中的位置信息以及运动轨迹信息的研究领域。目标跟踪作为计算机视觉中的中层语义问题，为动作识别、行为分析、智慧交通监控等高级语义问题提供了保障，能够直接对最终分析结果的准确性和正确率产生重要的影响。近些年来，由于技术的蓬勃发展，使得目标跟踪越来越受到重视。

然而，跟踪目标多变、跟踪环境复杂、在复杂环境下进行鲁棒的实时跟踪是当前目标跟踪领域所面临的最大挑战，这也是使得单目标跟踪在计算机视觉领域一直处于研究热点的原因。在单目标跟踪问题中，占据主导地位的两类经典跟踪算法为：基于相关滤波器(correlation filter)的跟踪算法和基于深度学习(deep learning)的跟踪算法。

对于基于深度学习的跟踪算法，其主要思想是使用深度特征表示跟踪目标或者使用预训练的深度模型构建跟踪器跟踪目标，具有区分目标和背景的能力。该跟踪算法的缺点为：深度特征和深度模型需要海量数据进行预训练，并且模型具有大规模的超参数，这限制了其跟踪速度，无法满足实时跟踪的要求。

对于基于相关滤波器的跟踪算法，其主要思想是使用相关滤波器对目标进行拟合，通过生成式方式对跟踪目标表观模型进行在线更新。由于其计算时将矩阵计算等价映射到傅里叶空间，通过傅里叶空间计算提升特征计算效率，提升模型更新速度。该跟踪算法的缺点为：由于其使用人工特征，在复杂环境下无法判别背景与目标，限制了其跟踪鲁棒性。

此外，现有的基于强化学习的单目标跟踪算法，虽然使用了自学习方式将预训练模型的知识迁移到新环境中，然而，其通过随机方式增加模型探索能力，往往会造成模型在复杂环境下剧烈波动，导致目标丢失。其次，为了简化计算，该种方法还采用了分类的思想将目标的动作价值函数定义为整数值。然而，基于分类的思想与目标跟踪问题并不能完全匹配：目标跟踪问题不仅要识别目标，还要对于目标的尺度进行预测，而基于分类思想的动作价值函数会丢失目标的尺度信息。

发明内容

本发明的实施例提供了一种基于优化方差下降的计算机视觉单目标跟踪方法，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种基于优化方差下降的计算机视觉单目标跟踪方法，包括：

步骤S1、根据单目标跟踪问题设计基于非凸优化的随机方差下降梯度的深度神经网络模型，使用图片数据集对所述深度神经网络模型进行监督训练，得到训练好的深度神经网络模型；

步骤S2、根据所述训练好的深度神经网络模型使用基于回归动作奖励函数的强化学习方法训练表观模型与运动模型；

步骤S3、利用训练好的表观模型、运动模型和深度神经网络模型对当前环境下的单目标进行跟踪，采用具有拓展模型探索能力的自适应探索策略计算得到跟踪目标的预测位置和尺度；

步骤S4、根据当前跟踪目标的位置和目标特征进行表观模型以及运动模型更新，利用更新后的表观模型与运动模型使用深度神经网络模型进行下一帧的目标跟踪，直至跟踪结束。