[发明专利]一种基于多级特征的双学习模型目标跟踪方法

摘要

本发明属于模式识别技术领域，尤其涉及一种基于多级特征的双学习模型目标跟踪方法。该方法具体如下：A1、读取目标视频序列，获得第t帧图像中的目标位置；A2、在第t+1帧图像中裁剪出包含有目标位置的候选区域并进行特征提取；A3、训练相关滤波器模型：A4、预测目标位置：A5、分类器模型重检测，得到第t+1帧图像中目标的最终位置；A6、双模型的更新，实时在线更新相关滤波器模型和分类器模型。该方法有效提高了跟踪的准确率和成功率，较好的适应了快速运动、遮挡、光照等干扰因素的影响。

主权项

1.一种基于多级特征的双学习模型目标跟踪方法，其特征在于，针对目标视频序列，在给定第一帧中目标初始状态的情况下，在后面的视频序列中估计目标的状态，具体包括如下步骤：A1、读取目标视频序列，获得第t帧图像中的目标位置，t＝1；A2、在第t+1帧图像中裁剪出包含有所述目标位置的候选区域；提取所述候选区域中卷积层的深度特征和所述候选区域的低级特征，将每一所述卷积层中深度特征的输出和低级特征的输出作为目标的多通道卷积神经网络的特征图M、N分别为特征图的宽和高，D为通道个数；A3、训练相关滤波器模型：将所述候选区域分为若干cell小块，针对每一cell小块建立高斯函数标签Y：通过所述高斯函数标签Y和特征图Xl，构建多通道卷积神经网络中每一层、每一特征通道的相关滤波器；根据所述相关滤波器获得所述每一层、每一特征通道的特征图；根据所述每一层、每一特征通道的特征图获得每一层特征图的相关响应图和每一层特征图的相关响应图中最大响应值所在的位置；A4、预测目标位置：将当前层的最大响应值与前一层的最大响应值加权得到前一层最大响应值的位置，通过迭代，得到最终响应图；在最终响应图中找到最大响应值，将最大响应值的位置作为目标的预测位置；A5、分类器模型重检测，根据每一层特征图的相关响应图获得第t+1帧图像的HPSR指标；当HPSR指标大于或等于设定阈值θ时，所述目标的预测位置作为目标的最终位置；当HPSR指标小于设定阈值θ时，启用分类器模型，将分类器模型获得的结果与目标的预测位置相结合，得到第t+1帧图像目标的最终位置；A6、双模型的更新，实时在线更新相关滤波器模型和分类器模型，用于第t+2帧图像的目标位置确定。