[发明专利]基于CNN的自适应粒子滤波目标跟踪方法

摘要

本发明公开了基于CNN的自适应粒子滤波目标跟踪方法，方法包括以下步骤：获取跟踪目标的前几帧视频图像；通过卷积神经网络来提取跟踪目标的深度特征，获得目标的深层次表达；基于仿射变换构建候选模板库，采用粒子滤波跟踪算法，将预测结果与候选模版库中的模板进行匹配，确定新的目标模版并自适应更新候选模板库，确定当前目标状态实现跟踪。本发明有效的提高了视频目标跟踪的性能，能够在遮挡、光照、尺度变化和目标快速运动的条件下稳定地跟踪目标，具有更高的目标跟踪精度和更强的鲁棒性。

主权项

基于CNN的自适应粒子滤波目标跟踪方法，其特征在于：该方法包括以下步骤，S1：使用数万张通用目标图像离线预训练一个卷积神经网络，训练好的卷积神经网络用于提取目标特征；S2：将视频转化图像帧输入系统；S3：根据初始帧或选定帧确定初始模板，并构建候选模板库，具体如下：S3.1：在初始帧或选定帧中手动标定预跟踪目标位置，作为目标模板；S3.2：将目标图像输入卷积神经网络计算其深度特征，作为目标模版；引入仿射运动模型对目标图像进行仿射变换并计算深度特征，作为候选模板；S3.3：将目标模板及其仿射变换放入候选模板库中；S4：在待搜索区域里以高斯分布方式放入大量的粒子，计算每个粒子所在区域的深度特征，与初始模板进行比较，给每个粒子赋予权值；S5：候选模板更新，具体步骤如下：S5.1：选择权值分布前50％的粒子，计算它们的权值和即w；S5.2：如果w>T，T为阈值，则使用跟踪输出位置作为新模板；如果w<T，则将某一候选模板的深度特征和所有粒子的深度特征进行比较，重新给每个粒子赋予权值，并计算其权值前50％的粒子的权值和，对所有候选模板分别进行上述操作，选择其中权值和最大的候选模板作为新模板；S5.3：将新的目标模板及其仿射变换放入候选模板库中；S6：输入视频进行视频目标跟踪，得到并输出视频跟踪的结果。