【技术实现步骤摘要】
基于生成对抗网络正样本增强的多姿态人体目标跟踪方法
本专利技术属于目标跟踪
，更为具体地讲，涉及一种基于生成对抗网络正样本增强的多姿态人体目标跟踪方法。
技术介绍
人体目标跟踪任务中，人体姿态变化会导致跟踪漂移或者失败，其原因是当人体发生形变或者角度变化时，其表观特征会发生变化，与初始跟踪时的目标有较大差异。针对此问题，一般传统的跟踪方法会根据先验知识选用对姿态变化较为鲁棒的目标特征，例如颜色特征及轮廓特征。大多数具有模型更新环节的跟踪算法利用人体目标运动的连续性，跟踪算法的模型更新基于对历史帧图像目标周围的采样训练，使得跟踪模型能够较好地跟踪变化平滑缓慢的人体目标，学习并适应目标的变化。而基于分类原理的跟踪器往往是通过丰富预训练样本来提高对人体目标变化的鲁棒性，即在预训练中就加入多姿态变化的训练样本，使得跟踪模型学习到多姿态变化目标的一般属性，进而完成对跟踪任务中具体目标的跟踪。上述的跟踪方法除了选用对姿态变化鲁棒的特征外，都是被动地应对姿态变化问题，只是依赖人体目标的连续性或提取姿态变化的一般属性来维持对目标的跟踪，而并没有主动地去解决姿态变化问题，当人...
【技术保护点】
1.一种基于生成对抗网络正样本增强的多姿态人体目标跟踪方法，其特征在于，包括以下步骤：S1：采用人体目标多姿态样本训练集对StarGAN网络模型进行预训练，采用人体目标跟踪样本训练集对MDNet算法模型进行预训练；S2：在首帧包含人体目标的图像中标定人体目标的目标矩形框，根据目标矩形框在首帧图像上采集得到若干正样本和负样本，对MDNet算法模型进行初始化；分别从以上正样本和负样本中选择部分样本添加至MDNet算法模型的样本队列S；S3：如果上一帧跟踪成功，则提取上一帧跟踪结果对应的目标矩形框图像，根据需要设置若干姿态标签，每次将目标矩形框图像和1个姿态标签作为StarGAN...
【技术特征摘要】
1.一种基于生成对抗网络正样本增强的多姿态人体目标跟踪方法，其特征在于，包括以下步骤：S1：采用人体目标多姿态样本训练集对StarGAN网络模型进行预训练，采用人体目标跟踪样本训练集对MDNet算法模型进行预训练；S2：在首帧包含人体目标的图像中标定人体目标的目标矩形框，根据目标矩形框在首帧图像上采集得到若干正样本和负样本，对MDNet算法模型进行初始化；分别从以上正样本和负样本中选择部分样本添加至MDNet算法模型的样本队列S；S3：如果上一帧跟踪成功，则提取上一帧跟踪结果对应的目标矩形框图像，根据需要设置若干姿态标签，每次将目标矩形框图像和1个姿态标签作为StarGAN网络模型的输入，将StarGAN网络模型中生成器网络输出的图像作为正样本，将得到的所有正样本添加至样本队列S，如果上一帧跟踪失败，则不作任何操作；S4：采用MDNet算法模型对当前帧图像进行人体目标跟踪；S5：判断步骤S4中是否跟踪成功，如果是，进入步骤S6，否则进入步骤S8；S6：根据跟踪结果采集获得若干正样本和若干负样本添加至样本队列S；S7：判断是否达到MDNet算法模型的长期更新周期，如果未到达，则不作任何操作，否则利用样本队列S中的全部样本对MDNet算法模型进行长期更新训练，返回步骤S3；S8：如果跟踪失败，采用样本队列S中的部分样本对MDNet算法模型进行更新训练，返回步骤S3。2.根据权利要求1所述的跟踪方法，其特征在于，所述StarGAN网络模型包括生成器网络和判别器网络，其中：生成器网络包括四层卷积层、残差网络和...
【专利技术属性】
技术研发人员：周雪，周琦栋，邹见效，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51
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。