[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

说明书

技术领域

本发明涉及物体运动跟踪领域，尤其是一种利用深度神经网络检测目标的跟踪方法。

背景技术

运动跟踪是指获得目标在连续图像中位置随时间变化的轨迹。运动跟踪由于受到遮挡、面内旋转、面外旋转、光照强度变化、背景杂波等影响被认为是一项极具挑战的任务，是计算机视觉的重要组成部分。运动跟踪被广泛应用于多个领域，如产品检测、智能交通、视频监控、异常行为检测等。尽管提出了大量的跟踪方法，但仍未达到大规模应用的地步。

运动跟踪系统一般由两个模型组成：观测模型和动态模型。观测模型是描述目标物体的模型。动态模型用来确定物体状态及状态的转换。在跟踪系统中观测模型是极为重要的，模型精度对跟踪效果影响极大。精确的观测模型可以提升跟踪成功率，降低中心位置误差。

现如今，深度学习跟踪器是运动跟踪方面比较成功的算法之一，该模型主要包括两部分：观测模型和动态模型。观测模型使用深度学习算法能够更有效的提取目标物体的特征，动态模型使用了粒子滤波算法，粒子滤波可以更细致的确定物体的状态。该跟踪器很好地结合了深度学习和粒子滤波，提升了跟踪的精度。但由于跟踪环境的复杂及目标物体的变化，模型无法适应所有的环境，由于粒子滤波需要大量的粒子，导致跟踪速度有所下降。

发明内容

本发明目的在于提供一种减少计算量、加快跟踪速度、自动调节模型更新方式、保障跟踪精度的基于辅助更新模型和有效性检验的运动跟踪方法。

为实现上述目的，采用了以下技术方案，本发明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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

在步骤2-3训练中，所述的执行initTrain(NN,X,Y,opts)过程，详细说明如下：

(1)输入：输入变量如initTrain(NN,X,Y,opts)中所示，其中NN表示离线训练后的神经网络，X表示目标和背景样本集合，Y表示样本的标签，其顺序和样本一一对应，opts表示设定的参数；

(2)使用降噪自动编码训练辅助更新模型：