【技术实现步骤摘要】
一种基于深度残差网络的随机蕨目标跟踪方法
本专利技术涉及计算机视觉及模式识别
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...
【技术保护点】
1.一种基于深度残差网络的随机蕨目标跟踪方法，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，目标选取过程通过运动目标检测自动提取，或者通过人机交互方法人工指定；步骤二、检测器构建与初始化：这里检测器包含深度残差网络和随机蕨两个部分，其中深度残差网络用于特征表达，而随机蕨用于计算目标概率，进而实现对目标的检测与定位；对于随机蕨，这里采用两点比较特征作为随机蕨的特征，该两点比较特征为比较两个值的大小，若第一个值大于第二个值，则第一个值的特征值为1，否则特征值为0；根据随机蕨的结构特性，如果一个蕨采用N个两点比较特征，则该蕨包含2N个叶节点，每个叶节点对...
【技术特征摘要】
1.一种基于深度残差网络的随机蕨目标跟踪方法，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，目标选取过程通过运动目标检测自动提取，或者通过人机交互方法人工指定；步骤二、检测器构建与初始化：这里检测器包含深度残差网络和随机蕨两个部分，其中深度残差网络用于特征表达，而随机蕨用于计算目标概率，进而实现对目标的检测与定位；对于随机蕨，这里采用两点比较特征作为随机蕨的特征，该两点比较特征为比较两个值的大小，若第一个值大于第二个值，则第一个值的特征值为1，否则特征值为0；根据随机蕨的结构特性，如果一个蕨采用N个两点比较特征，则该蕨包含2N个叶节点，每个叶节点对应一个N位的二进制编码值；对于深度残差网络，这里采用预训练网络ResNet-50对图像进行特征表达，输入图像经过224×224像素大小的尺度归一化后作为ResNet-50网络的输入数据；这里将ResNet-50的174层作为特征表达层，它有2048个值输出，在这2048个值中随机选择两个不同的值构成两点比较特征，并选择8个不同的两点比较特征为一组，一共选择128组，相应地，根据每一组的8个两点比较特征构成一个蕨，一共产生128个蕨，每个蕨有28＝256个叶节点，每个叶节点对应一个8位的二进制编码值，叶节点对应的编码值范围为00000000～11111111，叶节点的编码值代表了对应的8个两点比较特征的取值；通过以步骤一中确定的目标图像块为正样例，以及在其周围选取的背景图像块为负样例生成初始训练集，选取的正、负样例均与目标具有相同的大小；将这些样例逐个输入到检测器，首先，每个样例通过ResNet-50网络正向处理后输出获得2048个值，然后按照随机蕨的构成，计算每个蕨的8个两点比较特征值进而得到与其对应的二进制编码值，接着将该二进制编码值对应的叶节点中的正样例累加器变量N+或者负样例累加变量N-加1，即如果此次输入到检测器训练的样例是正样例，则N+加1，如果此次输入到检测器训练的样例是负样例，则N-加1；初始时，所有蕨的叶节点的正样例累加器变量N+和负样例累加变量N-均初始化为0；步骤三、图像输入：在实时处理情况下，提取通过摄像头采集并保存在存储区的视频...
【专利技术属性】
技术研发人员：权伟，高仕斌，李天瑞，赵丽平，陈金强，陈锦雄，卢学民，刘跃平，王晔，
申请(专利权)人：西南交通大学，
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。