[發(fā)明專利]基于連續(xù)時空置信圖和半監(jiān)督極限學習機的目標追蹤方法

在審

• 申請?zhí)枺?/td>: 201710047829.0
• 申請日: 2017-01-20
• 公開（公告）號: CN106815576A
• 公開（公告）日: 2017-06-09
• 發(fā)明（設計）人: 年睿;邱書琦;常瑞杰;肖玫
• 申請（專利權）人: 中國海洋大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62
• 代理公司: 青島海昊知識產權事務所有限公司37201
• 代理人: 王鐸

1.一種基于連續(xù)時空置信圖和半監(jiān)督極限學習機的目標追蹤方法，其特征在于，包括以下步驟：

步驟一、在特定待追蹤監(jiān)控場景中采集n幀待追蹤目標視頻A＝{I₁,…,I_i,…I_n}，其中I_i表示第i幀待追蹤視頻圖像序列，利用圖像濾波去噪、對比度增強預處理待追蹤視頻序列降低噪聲且突出感興趣待追蹤區(qū)域；

步驟二、在第t幀待追蹤視頻圖像序列I_t中使用矩形窗口選取待追蹤目標O，確定目標中心位置o^*，O表示新目標在場景中的存在，o代表新目標位置，定義一個二維待追蹤目標O的置信圖模型C_t(o)；將待追蹤目標區(qū)域擴大兩倍形成局部背景區(qū)域表示為在內提取坐標位置k處的強度位置特征w(k)，組成強度位置特征集I(k)表示坐標位置k處圖像的亮度，表示坐標o^*的鄰域；建立第t幀待追蹤目標的先驗模型P(w(k)|O)，以此推算出第t幀時空模型

步驟三、在待追蹤目標中心位置所在區(qū)域重疊采樣，獲得N₁個區(qū)域塊圖像作為正樣本和N₂個區(qū)域塊圖像作為負樣本，提取正負樣本數據特征x_j，記正樣本的類別標簽是1，負樣本的類別標簽是0，y_j∈{1,0}；建立有標注樣本集和無標注樣本集X_u組成訓練樣本集X＝{X_s,X_u}＝{(x_j,y_j)},j＝1,...,N₁+N₂；

步驟四、用步驟三得到的訓練樣本集X訓練半監(jiān)督極限學習機網絡模型；

步驟五、在I_t+1中，利用步驟二求得的第t幀時空模型進行模型更新，計算得到第t+1幀的時空模型利用求得的第t+1幀時空模型卷積I_t+1得到新目標的時空置信圖C_t+1(o)，最大化C_t+1(o)確定在第t+1幀中目標位置o；

步驟六、判斷目標是否被遮擋，若目標未被遮擋，進入步驟五，反之，進入步驟七；

步驟七、在I_t+1中，由I_t中已求得的o^*為目標位置，在目標位置o^*所在區(qū)域，以目標區(qū)域矩形窗口大小重疊采樣，獲得N個區(qū)域塊圖像作為候選目標，提取候選目標數據特征建立待追蹤目標圖像塊測試樣本集將測試樣本集輸入步驟四已訓練完成的半監(jiān)督極限學習機網絡模型，得到第t+1幀測試輸出T，最大化半監(jiān)督極限學習機網絡模型最大分類響應位置，得到第t+1幀中目標位置o；

步驟八、對最大分類響應結果進行半監(jiān)督極限學習機網絡模型更新閾值判定，若半監(jiān)督極限學習機網絡模型不需要更新，進入步驟五，反之進入步驟九；

步驟九、由步驟三得到的有標注數據集和步驟七得到的測試樣本集作為無標注數據集X_u＝X_t+1，進行步驟四，重新訓練半監(jiān)督極限學習機網絡模型；

循環(huán)重復上述步驟，直至追蹤完成整個視頻序列。