[發明專利]一種基于卷積神經網絡的自適應特征選擇目標跟蹤方法

有效

• 申請號: 201711434884.1
• 申請日: 2017-12-26
• 公開（公告）號: CN108288282B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 周小龍;李軍偉;陳勝勇;邵展鵬;產思賢
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/75;G06V10/762;G06V10/771;G06V10/774;G06V10/82;G06V10/44;G06K9/62
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種面向卷積神經網絡的自適應特征選擇視頻目標跟蹤方法，包括以下步驟：1)多層CNN特征提取；2)訓練相關濾波器；3)特征選擇；4)目標跟蹤過程如下：利用conv3?2，conv3?4，conv3?8，conv3?12，conv3?16五層的卷積特征作為目標特征觀測，經過特征選擇之后分別訓練五個相關濾波器w^k，k∈[1，5]，然后通過加權投票最終決定目標位置(x^*,y^*)，權重參數w^k根據學習率ρ在線更新。本發明顯著降低特征維度，并在不損失特征判別能力的情況下降低運算量。

技術領域

本發明屬于視頻目標跟蹤技術領域，尤其是一種自適應特征選擇目標跟蹤方法。

背景技術

目標跟蹤是對圖像序列中的興趣目標進行特征提取，表觀建模、運動分析和目標關聯的過程，被廣泛應用于智能交通，視覺伺服、人機交互等領域。近年來目標跟蹤領域雖然取得了巨大進展，但是仍然面臨很大挑戰，例如目標遮擋、光照變化、姿態變化、背景復雜、低分辨率和目標快速運動等都會導致目標漂移甚至跟蹤失敗。

隨著卷積神經網絡在目標檢測和對象識別方面取得的巨大成功，越來越多的研究者開始著眼于將卷積神經網絡特征應用于目標跟蹤領域，當前基于卷積神經網絡的視覺跟蹤方法主要利用卷積特征作為目標觀測，并以此訓練分類器進行跟蹤。相比于傳統的手動特征提取方法，卷積網絡特征具有提取簡單、特征豐富、通用性強等優點，但是由于卷積特征的維度是普通特征維度的幾十乃至上百倍，一方面會降低分類器在線訓練和更新速度，不利于算法的實時性，另外卷積神經網絡不同層和同層的不同特征圖對跟蹤目標的前景和背景有不同的響應，并且特征之間存在大量的冗余信息和噪聲。

發明內容

針對現有卷積神經網絡特征帶來的特征維度災難、特征冗余性、魯棒性不高等問題，本發明提出一種基于卷積神經網絡特征圖之間距離的自適應聚類中心的特征選取方法；此方法同時融入了多個相關濾波器加權確定目標位置的方法；利用信息傳播策略自適應選取特征。從而顯著降低特征維度，并在不損失特征判別能力的情況下降低運算量。

本發明解決其技術問題所采用的技術方案是：

一種面向卷積神經網絡的自適應特征選擇視頻目標跟蹤方法，所述方法包括以下步驟：

1)多層CNN特征提取，過程如下：

在給定t時刻視頻幀和t-1時刻的目標位置p^t-1首先確定目標搜索區域R(p^t-1)，其尺度為M*N，然后根據VGG-Net的需要用圖像插值方法將搜索區域的圖像尺度進行調整，網路不同層的輸出作為提取到的多層卷積特征，將提取到的特征圖乘余弦窗以消除由于圖像的邊緣效應而導致的特征圖不連續的現象；

2)訓練相關濾波器，過程如下：

將VGG-Net五個池化層的輸出作為目標的多通道卷積神經網絡特征 X∈R^M×N×D，其中M，N，D分別表示特征圖的寬度、高度和通道數，X_m,n， (m,n)∈{0,1,......,M-1}×{0,1,......,N-1}表示特征X的循環變換，在訓練過程的特征的每一次變換對應的標簽Y定義為以(M/2,N/2)為中心的零均值2D高斯分布：

由于相關濾波器訓練過程是在頻域內進行的，因此對樣本X和標簽Y分別做快速離散傅里葉變換FFT，式中代表快速傅里葉變換，和分別代表傅里葉變換后的目標特征和標簽的頻域表示，相關濾波器是通過求解式(2)得到

式中