[发明专利]一种基于一致性预测器模型的视觉跟踪方法

说明书

本发明属于数据处理技术领域，公开了一种基于一致性预测器模型的视觉跟踪方法，所述方法包括：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。本发明能够适应目标遮挡、外观变化以及背景干扰等复杂情况，比当前多种流行跟踪算法具有更强的鲁棒性和准确性。

技术领域

本发明属于数据处理技术领域，尤其涉及一种基于一致性预测器模型的视觉跟踪方法。

背景技术

视觉目标跟踪是计算机视觉领域中的一个基本问题，其任务就是确定目标在视频中的运动状态，包括位置、速度以及运动轨迹等。尽管近年来视觉跟踪技术取得了很大进展，但是在目标遮挡、姿态变化、混杂背景等复杂情况下，要实现鲁棒的跟踪仍然面临着巨大挑战。

在视觉跟踪问题中，目标的特征表达是影响跟踪性能的重要因素之一。用来表达目标的特征应该能够适应目标外观变化，同时对背景具有很好的区分性。大量的特征提取方法被应用于视觉跟踪，如HARR，HOG等，这些特征大都是通过手工设计的底层特征，针对性较强，并且对目标变化不鲁棒。近年来，深度学习技术中的卷积神经网络(ConvolutionalNeural Network，CNN)被广泛应用于目标检测、图像分类、语义分割等方面。相比传统的手工特征，基于CNN 的自动学习特征能够捕捉到目标的高层次语义信息，对目标外观变化具有较强的鲁棒性，因此逐渐被引入到目标跟踪问题的求解中来。但是应用深度特征进行跟踪时，普遍存在的问题是需要大量样本来训练与更新CNN参数，而对于视觉跟踪任务，通常难以预先获得大量关于被跟踪目标的训练样本。因此，CNN 参数的有效训练与更新是其应用于跟踪所面对的主要问题。

另一方面，在基于CNN的目标跟踪方法中，利用CNN提取目标特征后，通常是以判别式方法实现跟踪^[7-8]，其基本思想是将目标跟踪看成图像区域的二值分类问题，通过分类器将图像区域分为目标和背景区域，根据每帧的分类结果获得最终轨迹。分类结果的可靠性是决定跟踪成败的关键，然而目前的分类算法大都缺少对输出结果的可靠性分析，即通过一个量化的可信度来评价结果在多大程度上是正确的。如果能够有效地评估每个时刻的分类结果，为目标状态估计以及特征模型参数更新提供可靠的信息依据，将会大大提高跟踪的准确性和鲁棒性。

综上所述，现有技术存在的问题是：

现有视觉跟踪方法针对视频序列的鲁棒性目标跟踪效果差；不能够适应目标遮挡、外观变化以及背景干扰等复杂情况，而且现有的多种跟踪算法准确性差。

发明内容

针对现有技术存在的问题，本发明提供了一种基于一致性预测器模型的视觉跟踪方法。

本发明是这样实现的，一种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。

进一步，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：