[發明專利]基于深度遷移學習的目標跟蹤方法

有效

• 申請號: 201811436746.1
• 申請日: 2018-11-28
• 公開（公告）號: CN109544603B
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 劉金華;吳姍;任桂平;徐信葉;徐牡蓮;李永明
• 申請（專利權）人: 上饒師范學院
• 主分類號: G06T7/246
• 分類號: G06T7/246
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 范彥揚

本發明提供了一種基于深度遷移學習的目標跟蹤方法，涉及數據處理技術領域。該方法包括離線訓練和在線跟蹤兩個階段。離線訓練階段基于輔助圖像數據，利用深度卷積神經網絡獲取通用目標的先驗結構特征信息；然后采用遷移學習將獲取的先驗結構特征信息遷移到在線跟蹤過程中。在線跟蹤階段結合離線學習獲得的先驗結構特征信息和Haar特征以及圖像灰度特征，采用結構稀疏表示和基于多子空間的字典模板技術，建立一種基于深度遷移學習的目標跟蹤模型，獲取最終的目標跟蹤結果。該方法充分利用了視頻圖像數據的先驗結構特征信息，并融合了在線跟蹤階段獲取的特征信息，可較好地減輕跟蹤的漂移問題，提高目標跟蹤的魯棒性。

技術領域

本發明涉及數據處理技術領域，具體而言，涉及一種基于深度遷移學習的目標跟蹤方法。

背景技術

隨著高性能計算機和高質量攝像終端的增多，以及智能視頻分析需求的增長，視覺目標跟蹤技術引起人們越來越多的關注，并且在軍事和民用的諸多領域(智能安防系統、智能交通系統、精確制導系統、醫學診斷、航空航天)等都具有極為廣泛的應用前景。

視覺目標跟蹤的主要過程是對視頻或圖像序列進行處理，在對感興趣的目標進行特征提取、目標定位、跟蹤檢測以及分類識別后，最后獲取目標的位置或運動參數。這些信息可用來執行更高級的視覺任務，如目標行為的分析和理解、場景分析、運動模式分類以及目標的行為趨勢預測等。視覺目標跟蹤技術是目前機器視覺研究的熱點之一。雖然研究人員提出了許多目標跟蹤方法，這些方法在一定范圍內已經取得了良好的效果，但是仍然存在很多問題有待進一步解決。如在目標的背景、形態、姿勢、大小和光照條件發生強烈變化的情況下，對目標進行穩健、實時的跟蹤就有非常大的挑戰性。常用的視覺目標跟蹤方法包括產生式跟蹤方法和判別式跟蹤方法兩大類。

產生式跟蹤方法主要關注如何精確地擬合源自目標表觀的數據。如基于核的目標跟蹤方法、增強視覺跟蹤方法、基于L1稀疏表示的跟蹤方法、多任務跟蹤方法以及基于軟閾值的均方跟蹤方法等。這類目標跟蹤方法通過采用均值漂移、稀疏表示、在線增量學習等技術，較好地擬合了目標表觀數據，取得了相對魯棒的目標跟蹤性能。然而，由于目標表觀并沒有特定的形式，在實際應用中驗證產生式跟蹤方法的正確性極其困難，而且在參數估計(例如期望最大化方法)過程中經常受到局部極值的影響。為了適應目標的表觀變化，此類方法一般通過在線更新機制，增量地學習目標區域的目標表示，但是忽略了背景信息，而且計算量也較大。因此，此類方法通常無法處理背景區域中與目標具有相似表觀的物體的干擾。

判別式跟蹤方法將視覺目標跟蹤視為一個二分類問題，而且大多數該類方法基于跟蹤-檢測(tracking-by-detection)的框架，如多示例學習跟蹤方法、基于壓縮感知的目標跟蹤方、Struck方法、基于在線可區分特征選擇的方法、基于核相關濾波的跟蹤方法、基于低秩稀疏表示的目標跟蹤方法等。判別式跟蹤方法的主要目的是最大化目標與非目標區域的差異，同時也關注于挖掘高信息量的特征用于視覺目標跟蹤。考慮到計算效率，此類方法通常使用在線方法增量地學習判別目標與非目標的分類函數。判別式跟蹤方法雖然可以更好地適應場景的變化，能將目標從背景中分離出來。但是該類跟蹤方法的不足是很大程度上依賴于大量地訓練樣本來擬合目標表觀的數據分布。

因此，現有的目標跟蹤方法難以實現對目標的準確跟蹤。

發明內容

有鑒于此，本發明提供了一種基于深度遷移學習的目標跟蹤方法。

本發明提供的技術方案如下：

一種基于深度遷移學習的目標跟蹤方法，包括：

獲取視頻圖像序列，確認所述視頻圖像序列是否為第一幀視頻圖像；

若所述視頻圖像序列為第一幀視頻圖像，對所述視頻圖像序列進行離線訓練處理；

若所述視頻圖像序列不是第一幀視頻圖像，對所述視頻圖像序列進行在線跟蹤處理；

確認所有候選樣本是否處理完成，若所有候選樣本都處理完成，結束跟蹤；