[發明專利]一種結合分類與域適應的視覺追蹤方法

在審

• 申請號: 201811042767.5
• 申請日: 2018-09-07
• 公開（公告）號: CN109299676A
• 公開（公告）日: 2019-02-01
• 發明（設計）人: 劉杰彥;馬奧
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

本發明公開了一種結合分類與域適應的視覺追蹤方法，一方面結合了分類構圖與遷移學習域適應兩種方法的優勢，尋求既能將前景和背景分離，又能為近期所獲取的源域數據與當前待分類的目標域數據所共享的特征空間；另一方面，采納了深度學習的思想，在目標域X_t的前景、背景判定和特征空間映射矩陣V的更新過程中，層層迭代，每一次迭代中根據上一次迭代的結果完成分類構圖與域適應學習的結合，并將當前層次的輸出結果V作為下一次迭代的輸入，經過層層迭代學習，獲得追蹤結果，使得追蹤結果的準確性更高。

技術領域

本發明屬于計算機視覺技術領域，更為具體地講，涉及一種結合分類與域適應的視覺追蹤方法。

背景技術

隨著人工智能和機器學習技術的發展，視覺追蹤一直是計算機視覺技術領域的研究熱點。視覺追蹤是對視頻中的目標進行位置探測、特征提取和識別、并完成跟蹤的過程，可以應用在視頻監控、人機交互、增強現實、智能交通和視頻壓縮等諸多領域。由于追蹤目標經常具有位移、變形、旋轉等特性，同時周圍環境的復雜性，如光線變化、障礙物遮擋、參照物變化等原因，使得視覺追蹤一直是一個充滿挑戰的研究課題。

分類方式是視覺追蹤當中的一種常見方式，該方式將追蹤目標從特征相似的其他候選樣本分離出來，將成為目標可能性大的候選樣本看作前景，而將周圍環境看作背景，通過前景和背景的識別和分離，獲取追蹤目標。這種方法簡單清晰，但是通常需要提前獲知前景和背景的數據特征分布，所以往往采用的是有監督或半監督的學習方式，而真實環境中訓練樣本數據往往無法提前獲知，使得有監督或半監督的學習方式開展受到阻礙。如果能利用歷史追蹤數據來對當前追蹤目標作識別分析，可以解決訓練樣本不足的問題。

遷移學習(transferring learning)利用在源數據學習到的知識，應用到目標測試數據上，完成對目標數據的識別與分析。當現實中源數據和目標數據的特征分布具有差異時，不能直接將在源數據上建立的模型應用到目標數據中。為此，域適應(domainadaptation)嘗試學習一個特征轉化，它針對源域(source domain)和目標域(targetdomain)完成遷移學習，源域中數據的標簽信息是已知的，而目標域中數據的標簽信息未知，域適應采用特征轉化的方法，使得經過特征轉換后，源域的數據和目標域的數據在轉換后的特征空間上的區分度最小，從而完成基于源域數據分布完成對目標域數據識別分析的任務。受追蹤目標移動和環境變化影響，視覺追蹤歷史上前景和背景數據特征分布與當前的前景和背景數據特征分布常常存在差異。基于此，一種自然的想法就是能否將遷移學習的域適應思想應用到視覺追蹤中，利用歷史追蹤數據分布完成對當前追蹤目標的分析識別。

發明內容

本發明的目的在于克服現有技術的不足，針對視覺追蹤問題，提供一種結合分類與域適應的視覺追蹤方法，該方法結合了分類追蹤方法的思想，同時利用了域適應方法的優勢，以提高視覺追蹤的效率和準確性，同時也充分利用了歷史數據而無需額外的訓練樣本，具有無監督追蹤方法的優點

為了實現上述發明目的，本發明結合分類與域適應的視覺追蹤方法，其特征在于，包括如下步驟：

(1)、以上一幀圖像中的目標窗口S_t-1為參考窗口，在當前幀圖像中，利用動態模型(dynamic model)獲取若干候選窗口，將候選窗口對應的樣本作為候選樣本；

(2)、將前一幀圖像追蹤得到的前景樣本和背景樣本構成源域X_s，利用分類器在上一次迭代所獲得特征空間映射矩陣V所映射的特征空間中，將當前幀圖像的候選樣本分為兩個類別：偽前景樣本和偽背景樣本，二者構成目標域X_t；