[發明專利]基于卷積神經網絡字典對學習的目標跟蹤方法與系統

有效

• 申請號: 202110707429.4
• 申請日: 2021-06-25
• 公開（公告）號: CN113256685B
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 王軍;孟晨晨;鄧承志;王員云;章利民;張珮蕓;祝文狄;王涵
• 申請（專利權）人: 南昌工程學院
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/73;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 黃攀

1.一種基于卷積神經網絡字典對學習的目標跟蹤方法，其特征在于，所述方法包括：

步驟一：在第一幀目標框內的初始目標圖像進行采樣處理以生成正候選樣本，并根據所述正候選樣本訓練得到邊界框回歸模型；

步驟二：在后續幀目標框內的目標圖像的鄰域內重新進行采樣以生成正負候選樣本，根據所述正負候選樣本對卷積神經網絡模型的全連接參數進行微調，以確定所述第一幀目標框內的目標圖像的最佳位置；

步驟三：基于空間距離機制以及所述卷積神經網絡模型獲得訓練樣本的深度特征，并基于所述訓練樣本的深度特征進行字典對模型學習以獲得初始字典對，其中，所述訓練樣本為基于空間距離機制在目標圖像鄰域內采樣得到的候選目標圖像樣本，所述候選目標圖像樣本即為所述正負候選樣本；

步驟四：根據所述初始字典對，并基于卷積神經網絡模型提取得到訓練樣本的特征，然后根據所述訓練樣本的特征進行聯合字典對模型學習；

步驟五：利用進行過聯合字典對模型學習的字典對，對所述訓練樣本進行編碼，通過聯合字典對中的原子的線性組合表示所述候選目標圖像樣本，利用所述候選目標圖像樣本的線性表示和字典對學習模型之間的重構誤差來計算候選目標圖像樣本的觀測概率，根據所得到的觀測概率中的最大值所對應的候選目標圖像樣本的位置進行目標圖像定位跟蹤，其中字典對包括合成字典D以及分析字典P，且合成字典D與分析字典P之間存在如下關系：

其中，表示字典對模型學習后獲取的分析字典與合成字典，，為合成字典，為分析字典，為訓練樣本，表示判別條件，用于利用分析字典P通過線性投影生成編碼系數，為Frobenius范數。

2.根據權利要求1所述的基于卷積神經網絡字典對學習的目標跟蹤方法，其特征在于，所述步驟一具體包括：

設定第一幀的所述初始目標圖像的初始位置，在所述初始目標圖像的初始位置的鄰域內采樣得到正候選樣本；

利用預訓練網絡模型提取所述正候選樣本對應的特征，并根據所述正候選樣本對應的特征進行邊界框回歸模型的訓練。

3.根據權利要求2所述的基于卷積神經網絡字典對學習的目標跟蹤方法，其特征在于，在所述步驟四中，進行聯合字典對模型學習過程中，對應的字典對模型最佳值表示為：

其中，表示字典對模型最佳值，均為平衡因子，為額外約束項，是一個學習過的合成字典D的編碼系數，W為在字典對學習過程中引入的對角重要性權重矩陣。

4.根據權利要求3所述的基于卷積神經網絡字典對學習的目標跟蹤方法，其特征在于，在所述步驟四中，根據所述訓練樣本的特征進行聯合字典對模型學習的方法包括如下步驟：

通過范數矩陣對合成字典以及分析字典進行隨機矩陣初始化，然后對所述初始字典對模型進行學習，并進行迭代更新優化計算以分別得到優化后的合成字典以及優化后的分析字典。

5.根據權利要求4所述的基于卷積神經網絡字典對學習的目標跟蹤方法，其特征在于，進行迭代更新優化計算的方法包括如下步驟：

首先固定合成字典D、分析字典P以及訓練樣本Z，以對編碼系數進行更新，對應的表達式為：

當編碼系數更新后，固定編碼系數、合成字典D以及訓練樣本Z，以對分析字典P進行更新，對應的表達式為：

當分析字典P更新后，固定編碼系數、分析字典P以及訓練樣本Z，以對合成字典D進行更新，對應的表達式為：

其中，是合成字典D的編碼系數最小優化值，是分析字典的最小優化值，是合成字典的最小優化值。

6.根據權利要求5所述的基于卷積神經網絡字典對學習的目標跟蹤方法，其特征在于，在所述步驟五中，所述通過聯合字典對中的原子的線性組合表示所述候選目標圖像樣本的方法包括如下步驟：

根據所述候選目標圖像樣本與所述字典對學習模型之間的重構誤差計算得到所述候選目標圖像樣本對應的觀測概率；

根據所述候選目標圖像樣本對應的最大觀測概率，以定位所述候選目標圖像樣本中與第一幀目標框內的目標圖像觀測概率最大的樣本的位置。