[发明专利]一种基于辅助更新模型和有效性检验的运动跟踪方法

权利要求书

1.一种基于辅助更新模型和有效性检验的运动跟踪方法，其特征在于，所述方法包括以下步骤：

步骤1，离线训练；

步骤2，模型初始化；

步骤3，动态粒子调节；

步骤4，目标核对与确认；

步骤5，自适应调节。

2.根据权利要求1所述的一种基于辅助更新模型和有效性检验的运动跟踪方法，其特征在于：步骤1中，由于需要跟踪不同物体，在使用观测模型之前需要能够快速适应不同目标的权值，需要使用大量不同种类的样本对神经网络进行离线训练，调节网络权值。

3.根据权利要求1所述的一种基于辅助更新模型和有效性检验的运动跟踪方法，其特征在于：步骤2中，在离线训练所得网络顶端添加logistic分类器，使其能进行二元分类，重新设置网络的参数并使用指定的目标及附近的负样本利用降噪自动编码训练辅助模型，在辅助模型权值基础上使用BP算法训练观测模型，调节权值适应目标。

4.根据权利要求1所述的一种基于辅助更新模型和有效性检验的运动跟踪方法，其特征在于：步骤3中，跟踪中的动态模型使用粒子滤波；根据跟踪器对目标的确定性使用不同数量的粒子，目标确定性越高使用粒子越少；粒子滤波在新一帧中以上一帧目标为中心采集粒子，将采集到的粒子交给观测模型，观测模型判断粒子的置信度；当发现模型精度快速下降时增加粒子采样数量并从所有粒子中寻找目标。

5.根据权利要求1所述的一种基于辅助更新模型和有效性检验的运动跟踪方法，其特征在于：步骤4中，从众多粒子中挑选出若干粒子，目标将从多个候选粒子中选出；在跟踪器中，使用前十个粒子和之前的目标通过降噪自动编码(DAE)对目标进行确认。

6.根据权利要求1所述的一种基于辅助更新模型和有效性检验的运动跟踪方法，其特征在于：步骤5中，在跟踪过程中物体外观发生变化时往往导致跟踪发生漂移，为防止漂移的发生，观测模型需要在跟踪过程中进行调节，在调节中根据不同的情况使用不同的模式。

7.根据权利要求3所述的一种基于辅助更新模型和有效性检验的运动跟踪方法，其特征在于，步骤2中，所述模型初始化的过程具体如下：

步骤2-1，输入：采集的正负样本及标签S＝{(x₁,y₁),......,(x_n,y_n)}，其中y_i＝{0,1}分别对应正样本和负样本；

步骤2-2，参数设定:设定降噪自动编码和BP算法的重构误差最小阈值α_D和α_B、最大训练次数β_D和β_B、学习率λ_D和λ_B、冲量m_D和m_B和权重惩罚系数w_D和w_B，降噪自动编码的噪音系数φ；

步骤2-3，训练:执行initTrain(NN,X,Y,opts)过程，使用降噪自动编码训练分类层以外的网络和使用BP算法训练整个网络；当重构误差E＜α时或训练次数T≥β时，训练结束。

8.根据权利要求4所述的一种基于辅助更新模型和有效性检验的运动跟踪方法，其特征在于，在步骤3中，所述动态粒子调节，其调节过程步骤如下：

步骤3-1，确定参数：如果前一帧的置信度C_p＞0.9，则确定500粒子参数，否则确定1000粒子参数；

步骤3-2，采集粒子：如果前一帧的置信度C_p＜0.85，则从图像中采集1000粒子；C_p＞0.85且C_p＜0.9，则采集500粒子；C_p＞0.9，采集200粒子；

步骤3-3，初步计算：将采集到的粒子交给观测模型，观测模型判断粒子的置信度；

步骤3-4，动态调整：如果前一帧置信度C_p＞0.9且置信度C＜0.9，则增加300粒子；如果C_p＞0.85且C＜0.85，则增加500粒子；

步骤3-5，最终计算：将采集到的粒子交给观测模型，观测模型判断粒子的置信度，将所有的粒子合并。