一种基于在线状态学习与估计的目标跟踪方法技术

本发明专利技术提供了一种基于在线状态学习与估计的目标跟踪方法，涉及计算机视觉，计算机图形图像技术领域。首先构建一个目标定位与状态估计网络，该网络由特征提取网络和回归网络两部分组成，特征提取网络为预训练网络AlexNet，回归网络为递归神经网络(RNN网络)。在初始网络训练过程中，使用初始训练集和随机梯度下降法对目标定位与状态估计网络进行训练，训练完成后网络获得了对目标进行定位和状态估计的初始能力。在跟踪过程中，目标定位与状态估计网络对输入图像进行正向处理，网络将直接输出该图像对应的目标相关信息，其中获得的目标概率和状态信息决定网络是否进行在线学习，而目标位置和大小信息实现对目标的定位，从而实现对目标对象的跟踪。

【技术实现步骤摘要】
一种基于在线状态学习与估计的目标跟踪方法
本专利技术涉及计算机视觉，计算机图形图像

技术介绍
视觉目标跟踪是计算机视觉领域的重要研究课题，其主要任务是获取目标连续的位置、外观和运动等信息，进而为进一步的语义层分析(如行为识别、场景理解等)提供基础。目标跟踪研究被广泛应用于智能监控、人机交互、自动控制系统等领域，具有很强的实用价值。目前，目标跟踪方法主要包括经典目标跟踪方法和深度学习目标跟踪方法。经典的目标跟踪方法主要分为生成式方法(GenerativeMethods)和判别式方法(DiscriminativeMethods)两类。生成式方法假设目标可以通过某种生成过程或者模型进行表达，如主成分分析(PCA)，稀疏编码(SparseCoding)等，然后将跟踪问题视为在感兴趣的区域中寻找最可能的候选项。这些方法旨在设计一种利于鲁棒目标跟踪的图像表示方法。不同于生成式方法，判别式方法将跟踪视为一个分类或者一种连续的对象检测问题，其任务是将目标从图像背景中分辨出来。这类方法同时利用目标和背景信息，是目前主要研究的一类方法。判别式方法通常包含两个主要的步骤，第一步是通过选择能够辨别本文档来自技高网...

【技术保护点】
一种基于在线状态学习与估计的目标跟踪方法，包括如下步骤：步骤一、目标选取：从初始图像中选择并确定要跟踪的目标对象；目标选取过程可以通过运动目标检测方法自动提取，也可以通过人机交互方法手动指定；步骤二、构建目标定位与状态估计网络：目标定位与状态估计网络将图像规则化为一个统一的大小后作为其输入，该网络包括两个部分，前部分为特征提取网络，后部分为回归网络；这里特征提取网络采用可公开获得的预训练网络AlexNet，该网络共有25层，是在包含120万个训练图像的大规模数据集ImageNet上训练获得的深度网络；而回归网络采用递归神经网络RNN对目标进行位置回归和状态估计；这里将目标可能的外观状态划分为自...

【技术特征摘要】
1.一种基于在线状态学习与估计的目标跟踪方法，包括如下步骤：步骤一、目标选取：从初始图像中选择并确定要跟踪的目标对象；目标选取过程可以通过运动目标检测方法自动提取，也可以通过人机交互方法手动指定；步骤二、构建目标定位与状态估计网络：目标定位与状态估计网络将图像规则化为一个统一的大小后作为其输入，该网络包括两个部分，前部分为特征提取网络，后部分为回归网络；这里特征提取网络采用可公开获得的预训练网络AlexNet，该网络共有25层，是在包含120万个训练图像的大规模数据集ImageNet上训练获得的深度网络；而回归网络采用递归神经网络RNN对目标进行位置回归和状态估计；这里将目标可能的外观状态划分为自变化状态和干扰状态两大类，自变化状态包含由目标自身的运动引起的外观变化状态，干扰状态包含由背景干扰或者场景变化引起的目标外观变化状态，因此将RNN网络的输出设计为包含目标的概率，位置，大小和状态信息，具体有七个节点，这些节点分别对应目标的概率po，目标的中心点横坐标xo，目标的中心点纵坐标yo，目标的宽度wo，目标的高度ho，目标的自变化状态s1，以及目标的干扰状态s2；步骤三、初始训练集生成与网络训练：初始训练集的生成包括两个部分，一个部分为目前可公开获得的有标注视频数据集或者图像序列集，另一个部分则是根据初始图像来人工合成跟踪序列，具体为两个方面的工作，一方面将初始图像中的目标对象进行变换，包括平移、旋转、扭曲和遮挡等操作，另一方面对整个场景进行循环移动，由此可获得大量模拟的跟踪序列；初始训练集中包括的所有...

【专利技术属性】
技术研发人员：权伟，高仕斌，陈小川，王牣，陈德明，熊列彬，韩正庆，林国松，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51