[发明专利]基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法

摘要

本发明公开了基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法，获取跟踪目标的前几帧视频图像；通过PCA对图像进行预处理,得到降维后的图像；对处理后的图像在H、S、I三通道进行PCA学习；再将各通道经过PCA处理的特征向量来初始化CNN结构中的卷积核，建立多通道卷积神经网络来学习图像三个通道的特征，获得目标的深层次表达；最后，利用粒子群优化算法优化粒子滤波重采样后的粒子集，提高了标准粒子滤波算法的跟踪性能。本发明有效的提高了视频目标跟踪的性能，能更好地适应复杂多变的环境，在此类视频序列上表现出非常好的鲁棒性。

主权项

基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法，其特征在于，包括以下步骤：S1：将视频转化图像帧输入系统，获取跟踪目标的前几帧视频图像；S2：通过PCA对图像进行预处理，得到降维后的图像；S3：构建多通道卷积神经网络来学习图像三个通道的特征，获得目标的深层次表达；S3.1：处理后的图像在H、S、I三通道进行PCA学习；S3.1.1：计算样本数据集X中样本的协方差矩阵；S3.1.2：对协方差矩阵进行特征分解，求取特征值λi和对应的特征向量wi，降序排列特征值λi；S3.1.3：根据贡献率的大小，取前d个特征值和相应的特征向量作为子空间的基。S3.2：各通道经过PCA处理的特征向量来初始化CNN结构中的卷积核，构建多通道卷积神经网络S3.2.1：对输入图像进行取片，得到取片的样本集作为训练数据；S3.1.3：将训练数据进行PCA运算，求得其特征向量组，并用特征向量初始化卷积神经网络的卷积核；S4：把待跟踪目标的特征样本输入到粒子滤波系统，利用粒子群优化粒子滤波算法，重采样粒子滤波后的粒子集，增加采样粒子的多样性。计算每个采样粒子所在区域的特征图，与目标区域特征进行比较，通过调整各采样粒子的权重大小和特征样本位置来近似实际的概率分布，以特征样本的期望作为系统估计值，提高标准粒子滤波算法的跟踪性能。S5：粒子群优化粒子滤波进行特征跟踪，得到并输出视频跟踪的结果。