[发明专利]一种基于一致性预测器模型的视觉跟踪方法

权利要求书

1.一种基于一致性预测器模型的视觉跟踪方法，其特征在于，所述基于一致性预测器模型的视觉跟踪方法包括：

首先构建一个双路输入卷积神经网络模型，同步提取视频帧采样区域和目标模板的高层特征，利用逻辑回归方法区分目标与背景区域；

然后将卷积神经网络嵌入到一致性预测器框架中，利用算法随机性检验来评估分类结果的可靠性，在指定风险水平下，以域的形式输出具有可信度指标的分类结果；

最后选择高可信度区域作为候选目标区域，通过优化时空域全局能量函数获得目标轨迹。

2.如权利要求1所述的基于一致性预测器模型的视觉跟踪方法，其特征在于，所述基于一致性预测器模型的视觉跟踪方法具体包括：

输入：目标初始状态x₀，预训练的C'N'N，长度为N序列图像；

输出：目标运动轨迹

初始化阶段，包括：

将x₀对应的图像区域作为CNN的输入模板；

在x₀处采集正负样本，建立训练集Τ，并将其划分为正常训练集Τ_a和校准集Τ_b；

利用Τ_a对CNN中的全连接层和输出层进行训练调整；

跟踪阶段，包括：

将图像序列划分为个片段，依次对第k＝1,...,K片段进行处理；

估计第k个片段的目标轨迹；

更新训练集Τ：根据p值选择可信度高的跟踪结果更新训练集，并且挖掘难负样本加入至Τ中；

连接目标轨迹T←T∪T_k，若已处理完最后一个片段，输出轨迹T，否则令k＝k+1，转入估计第k个片段的目标轨迹步骤。

3.如权利要求2所述的基于一致性预测器模型的视觉跟踪方法，其特征在于，所述估计第k个片段的目标轨迹中，处理过程包括：

建立所有帧的候选目标集合

(1)令当前时刻为t，O_t＝φ，以时刻t-1图像中p值最高的目标状态中心，在位置和尺度上进行高斯分布随机采样，获得M个样本j＝1,...,M，高斯分布协方差为对角阵Diag(0.1r²,0.1r²,0.2)，r为的长和宽的平均值；

(2)利用CNN计算样本的回归值＝1,...,M；

(3)根据校准集Τ_b，利用式(3)计算的可信度j＝1,...,M；

(4)根据风险阈值ε，利用式(4)获得的域预测结果j＝1,...,M；选取输出结果为{C⁺}或是{C⁺,C^-}，且可信度p(C⁺)值排在前N_c个的样本加入至候选目标集O_t，

(5)令t＝t+1，若t＞n_l则处理结束，否则转至(1)。

4.如权利要求2所述的基于一致性预测器模型的视觉跟踪方法，其特征在于，所述估计第k个片段的目标轨迹中，处理过程还包括：

通过优化能量函数E_Track，获得第k个片段的目标轨迹

5.如权利要求1所述的基于一致性预测器模型的视觉跟踪方法，其特征在于，所述双路输入卷积神经网络模型包括CNN网络结构：将目标模板与待识别图像作为两路输入同时进入网络，通过卷积层提取特征后，在全连接层融合形成判别特征，最终在输出层进行逻辑回归实现分类；其中，目标模板通过手工在序列图像首帧中获得，而待识别图像则是在序列图像中采样的局部区域；CNN网络结构包含两独立的卷积层，这两套卷积层共享同样的结构和参数；两路输入在经过卷积层后被映射为高层特征，然后在全连接层中进行融合，进一步映射为对目标与背景具有区分性的特征；输出层为Logistic回归分类器，通过逻辑回归预测输入样本的目标或背景不同类别。