基于卷积神经网络和相关滤波器的目标跟踪方法技术
Target tracking method based on convolution neural network and related filter
【技术实现步骤摘要】
基于卷积神经网络和相关滤波器的目标跟踪方法
本专利技术涉及计算机视觉领域，尤其涉及一种基于卷积神经网络和相关滤波器的目标跟踪方法。
技术介绍
目标跟踪作为计算机视觉的一个重要分支，被广泛应用到各个领域，如军事打击、交通管控、安防系统、人机交互等。随着深度学习在近几年的快速发展，目标跟踪研究也取得了很大进步。但是，现实生活中，光照变化、相机抖动、目标形变、目标尺度变化、目标部分或全部遮挡等干扰因素的存在，使目标跟踪仍是一个具有挑战性的研究领域。能够将目标从背景中有效区分的特征在目标跟踪中发挥着重要作用。最近几年，利用卷积神经网络提取的深度特征被应用到计算机视觉领域各任务中，并取得了不错的成果。但是深度特征的提取与计算复杂度较高，因此一些学者做了一些研究来提高计算效率。由于相关滤波器能够将时域的卷积运算变成频率域的乘法运算，加快了计算速度，因此被广泛应用到目标跟踪领域来提高跟踪速度。DavidS.Bolme等人在文章“VisualObjectTrackingUsingAdaptiveCorrelationFilters”(CVPR，2010)中针对目标跟踪问题提出了相...
【技术保护点】
一种基于卷积神经网络和相关滤波器的目标跟踪方法，其特征在于，包括：对于非视频序列第一帧，首先，基于视频序列上一帧中目标的位置和尺寸，从视频序列当前帧中提取一个感兴趣区域，并作为预训练的卷积神经网络的输入来提取深度特征，再利用位置相关滤波器对提取的深度特征进行处理，获得视频序列当前帧中目标的位置；然后，基于视频序列当前帧中目标的位置和视频序列上一帧中目标的尺寸，从视频序列当前帧中提取I个感兴趣区域，并从提取的I个感兴趣区域中提取手工特征，再利用尺寸相关滤波器，对提取的手工特征进行处理，得到视频序列当前帧中目标的尺寸。
【技术特征摘要】
1.一种基于卷积神经网络和相关滤波器的目标跟踪方法，其特征在于，包括：对于非视频序列第一帧，首先，基于视频序列上一帧中目标的位置和尺寸，从视频序列当前帧中提取一个感兴趣区域，并作为预训练的卷积神经网络的输入来提取深度特征，再利用位置相关滤波器对提取的深度特征进行处理，获得视频序列当前帧中目标的位置；然后，基于视频序列当前帧中目标的位置和视频序列上一帧中目标的尺寸，从视频序列当前帧中提取I个感兴趣区域，并从提取的I个感兴趣区域中提取手工特征，再利用尺寸相关滤波器，对提取的手工特征进行处理，得到视频序列当前帧中目标的尺寸。2.根据权利要求1所述的一种基于卷积神经网络和相关滤波器的目标跟踪方法，其特征在于，在获得视频序列当前帧中目标的位置和目标的尺寸后，将视频序列当前帧作为训练样本，基于当前帧中目标的位置和尺寸提取一个感兴趣区域，并作为预训练的卷积神经网络的输入来提取深度特征，同时基于当前帧中目标的位置和尺寸提取若干个感兴趣区域，并从提取的I个感兴趣区域中提取手工特征；然后利用已经提取的深度特征与手工特征来分别对应的训练位置相关滤波器与尺寸相关滤波器，再利用训练结果来对应的更新位置相关滤波器与尺寸相关滤波器；不断重复上述过程，直至视频序列最后一帧。3.根据权利要求2所述的一种基于卷积神经网络和相关滤波器的目标跟踪方法，其特征在于，所述位置相关滤波器与尺寸相关滤波器均为多通道相关滤波器；利用xt表示从训练样本中提取的特征，单通道信号yt表示多通道相关滤波器的期望输出，多通道信号ft表示需要得到的多通道相关滤波器；设置变量：其中，表示离散傅里叶变换；用C表示多通道信号的通道数，则ft表示由C个相关滤波器组成的整体，在傅立叶域，Ft通过如下方式得到：其中，带下标c的变量，表示对应的第c个通道的分量，λ表示正则化项，符号⊙表示对应元素相乘，符号·表示标量乘积；上式的解为：其中的除法是对应元素相除，表示的复共轭；对于非视频序列第一帧，将其作为测试样本z，首先将z进行傅里叶变换得到Z，则测试样本的输出响应r通过下式计算得到：在线目标跟踪时，根据给定训练样本中提取的深度特征或者手工特征来训练多通道相关滤波器：上式中，分别对应右侧算式的分子、分母部分；之后，利用训练结果来更新多通道相关滤波器：
【专利技术属性】
技术研发人员：刘乾坤，刘斌，俞能海，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。