基于目标跟踪的人工神经网络扩张式学习方法技术

本发明专利技术公开一种基于目标跟踪的人工神经网络扩张式学习方法，主要解决现有技术中人工神经网络离线训练需要采集大量样本和不能在跟踪过程中进行权值调整、提高跟踪精度的问题。其方法步骤为：(1)建立训练样本集；(2)获取样本标准化灰度值矩阵；(3)构建人工神经网络模型；(4)搜索当前帧图像中的目标；(5)判断目标的位置个数是否为1个；(6)构建匹配模板库；(7)计算相似度；(8)获取当前帧图像中的目标(9)更新训练样本集。本发明专利技术采用扩张式学习方法，在跟踪过程中人工神经网络不断学习已检测到的目标，这样既不需要采集大量样本，又能够不断调整人工神经网络的权值，提高目标跟踪的精度。

【技术实现步骤摘要】

本专利技术属于图像处理
，更进一步涉及一种模式识别领域中的。本专利技术通过扩张式学习方法来训练人工神经网络，然后利用人工神经网络检测图像序列中的目标，可应用于远程监控、智能交通等。
技术介绍
人工神经网络是一种应用类似大脑神经突触连接的结构进行信息处理的数学模型，这种网络依靠系统的复杂程度，通过调整内部大量节点之间的相互连接的关系，从而达到处理信息的目的。当前，人工神经网络凭借其强大的泛化能力、自学习、自组织功能而被广泛应用于目标跟踪方面，通过选取包含目标运动动态过程中全部特征信息的训练样本集对人工神经网络进行学习训练，使得人工神经网络能够“记忆”已学习目标的某些特征，在待跟踪序列图中搜索目标最佳位置，并实现目标跟踪。 上海北控智能科技有限公司提出的专利申请“基于神经网络进行识别的算法的人脸识别方法”(专利申请号200710042383. 9，公开号CN101329722)，公开了一种基于部件的多特征识别算法的人脸识别方法。该方法主要步骤包括第一步，人脸检测判断输入图像中是否存在人脸，如果有，给出每个人脸的位置，大小；第二步，面部特征定位对找到的每个人脸，检测其主要器官的位置和形状等信息；第三部，人脸对比根据面部特征定位的结果，与库中的人脸对比，判断该人脸的身份信息。该方法虽然能有效识别人脸的身份信息，但仍然存在的不足是该方法建立的人脸样本库需要大量的人脸样本，而获得这些样本需要拍摄大量的图像，再通过人工或机器标记的方法从图像中选择出合适的样本，这样会消耗较长时间和大量的资源。上海交通大学提出的专利申请“基于神经网络的机动目标精确跟踪方法”(专利申请号02112061. 7，公开号CN1382997)公开了一种基于神经网络的机动目标精确跟踪方法。该方法采用两个滤波器组成双并行结构，提取并行双滤波器的状态之差为待估计目标的状态特征向量，作为输入送给神经网络系统；在跟踪估计之前已经离线训练好的神经网络系统根据输入的特征向量，输出当前时刻待估计目标的加速度方差预测值，并利用预测值，基于当前统计模型进行自适应滤波，得到对待估计目标的快速和精确的跟踪。该方法虽然能通过神经网络调整系统方差以适应目标的运动变化，但仍然存在的不足是该方法采用的是离线训练好的神经网络，不能在检测过程中根据检测结果进行调整以提高检测正确率，缺乏灵活性和适应性。
技术实现思路
本专利技术的目的是针对上述现有技术的不足，提出一种，人工神经网络通过学习待跟踪序列图第I帧图像中的目标，对整个待跟踪序列图进行跟踪，在跟踪过程中采用扩张式学习方法，不断学习已检测到的目标，这样既不需要采集大量样本，又能够不断调整人工神经网络的权值，提高目标跟踪的精度。实现本专利技术的具体思路是采用半监督方式从待跟踪序列图的第一帧图像中手动截取目标区域作为训练样本集中的样本，构建人工神经网络。随着目标不断运动，目标形态特征会发生较大变化，由于缺乏样本，这些形态特征的变化很快超出人工神经网络的泛化性，导致跟踪点漂移。本专利技术采用扩张式学习方法来提高人工神经网络跟踪目标的精度，将人工神经网络结合相关匹配算法对待跟踪序列图中的目标进行检测定位，找出最佳目标位置以及目标的高度和宽度，在跟踪过程中不断将已经检测到的目标区域作为样本存入训练样本集，人工神经网络不断学习训练样本集中的样本，重复以上过程，直到检测出所有待跟踪序列图中的目标，完成目标跟踪过程。为了实现上述目的，本专利技术方法包括如下步骤(I)建立训练样本集Ia)用计算机画图程序打开待跟踪序列图的第I帧图像；Ib)手动截取待跟踪序列图第I帧图像中的目标区域，将目标区域的高度和宽度作为搜索框的高度和宽度； Ic)将第I帧图像中的目标区域作为训练样本集编号为I的样本；Id)调用软件平台matlab的imread函数，根据训练样本集中样本的编号依次输入训练样本集中的样本对应于计算机中的存储路径和文件名称，依次输出与训练样本集中样本编号对应的样本灰度值矩阵，作为人工神经网络的输入数据；Ie)将待跟踪序列图第I巾贞图像作为当前巾贞图像，调用软件平台matlab的imread函数，输入当前帧图像对应于计算机中的存储路径和文件名称，输出当前帧图像的灰度值矩阵；(2)获取样本标准化灰度值矩阵根据训练样本集中样本编号依次找出与之对应的样本灰度值矩阵，在对应的样本灰度值矩阵的左右边缘同时填充相同列数的零元素，在上下边缘同时填充相同行数的零元素，获得与训练样本集中样本编号对应的所有样本标准化灰度值矩阵；(3)构建人工神经网络模型3a)根据训练样本集的样本个数，设定人工神经网络的最大误差；3b)根据训练样本集中样本的编号依次将样本标准化灰度值矩阵由输入层的两个子网络输入人工神经网络，依次获得与训练样本集中样本编号对应的样本标准化灰度值矩阵中每个元素对应的子网络的权值；3c)输入层根据训练样本集中样本编号将与之对应的子网络的权值分别做累和运算；3d)输出层将两个子网络累和运算的结果相减，获得差值，如果差值大于O则输出1，如果差值小于O则输出0，将输出的O的个数作为当前人工神经网络的误差；3e)输出层判断当前人工神经网络误差是否大于人工神经网络的最大误差，如果大于最大误差，采用错误驱动准则更新样本标准化灰度值矩阵中每个元素对应的子网络的权值，否则，执行步骤(4)；(4)搜索当前帧图像中的目标4a)以当前帧图像的灰度值矩阵左上角第一个元素所在位置为坐标原点，将向下方向作为纵坐标的正方向，向右方向作为横坐标的正方向，相邻元素间隔坐标轴标准单位，建立坐标系，得到当前帧图像的灰度值矩阵每一元素所在位置与坐标系中坐标的对应关系；将目标统计矩阵设置为与目标待搜索灰度值矩阵尺寸大小相同的零矩阵；4b)将搜索框的中心平移至当前帧图像的灰度值矩阵中左上角第一个元素所在位置，获得搜索框中心位置对应坐标系的坐标；4c)按搜索框高度和宽度截取当前帧图像的灰度值矩阵，得到待检测区域的灰度值矩阵，如果搜索框未超出当前帧图像的灰度值矩阵，执行步骤4d);否则，执行步骤4g)；4d)在待检测区域的灰度值矩阵的左右边缘同时填充相同列数的零元素，在上下边缘同时填充相同行数的零元素，得到待检测区域标准化灰度值矩阵；4e)将待检测区域标准化灰度值矩阵由人工神经网络输入层的两个子网络输入人工神经网络，得到人工神经网络的输出； 4f)如果人工神经网络输出0，判断该元素所在位置为非目标位置，执行步骤4g)；否则，判断该元素所在位置为目标位置，根据搜索框中心对应坐标系的坐标将目标统计矩阵中对应位置的数值设为-I ；4g)按从左到右，从上到下的顺序，依次将搜索框中心平移至当前帧图像的灰度值矩阵中每一元素所在位置，获得搜索框中心位置对应坐标系的坐标；4h)重复步骤4c)、步骤4d)、步骤4e)、步骤4f)直到搜索完当前帧图像的灰度值矩阵右下角最后一个元素所在位置；(5)判断目标的位置个数是否为I个将目标统计矩阵中元素等于-I的个数作为目标的位置个数，如果目标位置个数为1，则将目标统计矩阵中-I元素所在位置作为最佳目标位置，执行步骤(8);否则，执行步骤⑶;(6)构建匹配模板库6a)调用软件平台matlab的imadajust函数,根据训练样本集中样本的编号依次输入样本的灰度值矩阵，依次输出与训练样本集中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1 一种基于目标跟踪的人工神经网络扩张式学习方法，包括以下步骤 (1)建立训练样本集 Ia)用计算机画图程序打开待跟踪序列图的第I帧图像； Ib)手动截取待跟踪序列图第I帧图像中的目标区域，将目标区域的高度和宽度作为搜索框的高度和宽度； Ic)将第I帧图像中的目标区域作为训练样本集编号为I的样本； Id)调用软件平台matlab的imread函数，根据训练样本集中样本的编号依次输入训练样本集中的样本对应于计算机中的存储路径和文件名称，依次输出与训练样本集中样本编号对应的样本灰度值矩阵，作为人工神经网络的输入数据； Ie)将待跟踪序列图第I巾贞图像作为当前巾贞图像，调用软件平台matlab的imread函·数，输入当前帧图像对应于计算机中的存储路径和文件名称，输出当前帧图像的灰度值矩阵； (2)获取样本标准化灰度值矩阵 根据训练样本集中样本编号依次找出与之对应的样本灰度值矩阵，在对应的样本灰度值矩阵的左右边缘同时填充相同列数的零元素，在上下边缘同时填充相同行数的零元素，获得与训练样本集中样本编号对应的所有样本标准化灰度值矩阵； (3)构建人工神经网络模型 3a)根据训练样本集的样本个数，设定人工神经网络的最大误差； 3b)根据训练样本集中样本的编号依次将样本标准化灰度值矩阵由输入层的两个子网络输入人工神经网络，依次获得与训练样本集中样本编号对应的样本标准化灰度值矩阵中每个元素对应的子网络的权值； 3c)输入层根据训练样本集中样本编号将与之对应的子网络的权值分别做累和运算；3d)输出层将两个子网络累和运算的结果相减，获得差值，如果差值大于O则输出1，如果差值小于O则输出O，将输出的O的个数作为当前人工神经网络的误差； 3e)输出层判断当前人工神经网络误差是否大于人工神经网络的最大误差，如果大于最大误差，采用错误驱动准则更新样本标准化灰度值矩阵中每个元素对应的子网络的权值，否则，执行步骤⑷； (4)搜索当前帧图像中的目标 4a)以当前帧图像的灰度值矩阵左上角第一个元素所在位置为坐标原点，将向下方向作为纵坐标的正方向，向右方向作为横坐标的正方向，相邻元素间隔坐标轴标准单位，建立坐标系，得到当前帧图像的灰度值矩阵每一元素所在位置与坐标系中坐标的对应关系；将目标统计矩阵设置为与目标待搜索灰度值矩阵尺寸大小相同的零矩阵； 4b)将搜索框的中心平移至当前帧图像的灰度值矩阵中左上角第一个元素所在位置，获得搜索框中心位置对应坐标系的坐标； 4c)按搜索框高度和宽度截取当前帧图像的灰度值矩阵，得到待检测区域的灰度值矩阵，如果搜索框未超出当前帧图像的灰度值矩阵，执行步骤4d);否则，执行步骤4g)； 4d)在待检测区域的灰度值矩阵的左右边缘同时填充相同列数的零元素，在上下边缘同时填充相同行数的零元素，得到待检测区域标准化灰度值矩阵； 4e)将待检测区域标准化灰度值矩阵由人工神经网络输入层的两个子网络输入人工神经网络，得到人工神经网络的输出； 4f)如果人工神经网络输出O，判断该元素所在位置为非目标位置，执行步骤4g);否贝U，判断该元素所在位置为目标位置，根据搜索框中心对应坐标系的坐标将目标统计矩阵中对应位置的数值设为-I ； 4g)按从左到右，从上到下的顺序，依次将搜索框中心平移至当前帧图像的灰度值矩阵中每一元素所在位置，获得搜索框中心位置对应坐标系的坐标； 4h)重复步骤4c)、步骤4d)、步骤4e)、步骤4f)直到搜索完当前帧图像的灰度值矩阵右下角最后一个元素所在位置； (5)判断目标的位置个数是否为I个 将目标统计矩阵中元素等于-I的个数作为目标的位置个数，如果目标位置个数为1，则将目标统计矩阵中-I元素所在位置作为最佳目标位置，执行步骤(8);否则，执行步骤 (6)； (6)...

【专利技术属性】
技术研发人员：王军宁，涂尚斌，何迪，刘焕云，刘德方，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：