[发明专利]基于稀疏深度去噪自编码器的RGB-D数据跨模式特征学习的目标跟踪方法

摘要

本发明公开了一种基于稀疏深度去噪自编码器的RGB‑D数据跨模式特征学习的目标跟踪方法，包括如下步骤：构建具有稀疏限制去噪自编码器的RGB‑D跨模式特征深度学习网络；使用无监督学习方法训练RGB‑D跨模式特征深度学习网络；将RGB图像正负样本、Depth图像正负样本输入训练好的RGB‑D跨模式特征深度学习网络得到跨模式特征；将跨模式特征送入逻辑回归分类器，使用有监督学习算法对逻辑回归分类器训练；根据状态转移模型生成粒子集；将各粒子的跨模式特征送入训练好的逻辑回归分类器，获得置信分数作为观测似然模型；使用粒子滤波方法获得RGB‑D视频序列中第t帧的后验概率，得到目标跟踪结果本发明具有较高的准确率。

主权项

1.一种基于稀疏深度去噪自编码器的RGB‑D数据跨模式特征学习的目标跟踪方法，其特征在于包括如下步骤：步骤1：构建具有稀疏限制去噪自编码器的RGB‑D跨模式特征深度学习网络；步骤2：收集RGB‑D视频无标签样本集；所述RGB‑D视频无标签样本集包括无标签RGB图像样本和无标签Depth图像样本；步骤3：使用无监督学习方法和所述RGB‑D视频无标签样本集训练所述RGB‑D跨模式特征深度学习网络；步骤4：针对包含跟踪目标的RGB‑D视频序列，选取初始m帧中跟踪目标的正负样本作为目标样本库中的初始模板；所述初始模板包括初始m帧中跟踪目标的RGB图像正负样本和Depth图像正负样本；步骤5：将初始m帧中跟踪目标的RGB图像正负样本、Depth图像正负样本输入到训练好的RGB‑D跨模式特征深度学习网络得到跟踪目标样本的跨模式特征；步骤6：使用粒子滤波方法获得所述RGB‑D视频序列中第t帧的后验概率p(X_t|Z_t)，设Z_t＝{z₁,z₂,...,z_t}为观测图像序列，选取目标的运动仿射变换参数作为目标的状态变量X_t＝{x_t,y_t,θ_t,s_t,α_t,φ_t}，其中，x_t,y_t分别表示目标在第t帧x,y方向上的平移，θ_t表示目标在第t帧的旋转角度、s_t表示目标在第t帧变化的尺度、α_t表示目标在第t帧变换的纵横比、φ_t表示目标在第t帧的倾斜方向；然后根据公式得到RGB‑D视频序列第t帧的目标跟踪结果