[发明专利]一种基于宽度学习的长期目标跟踪方法

摘要

本发明公开了一种基于宽度学习的长期目标跟踪方法，包括以下步骤：建立宽度学习系统；基于宽度学习系统的跟踪和基于加速稳健特征算法的全图检测机制。本发明是基于宽度学习系统的长期目标跟踪，而宽度学习架构层次较浅，对计算资源要求较低使得其能够在低端设备上进行部署且不会损失太大的精度。本发明得到目标跟踪模型，训练速度快，重构代价小，时间成本大大降低，并且对目标跟踪过程中发生的形变、旋转、遮挡的检测也具有很大的优越性。由于本发明应用基于SURF算法的全图检测机制，针对目标完全被遮挡，宽度学习系统判断目标丢失的状态下，当目标重新出现时能够快速获取目标信息，更新目标位置，使得跟踪效果更加稳定、鲁棒、可靠。

主权项

1.一种基于宽度学习的长期目标跟踪算法，其特征在于：包括以下步骤：A、建立宽度学习系统通过预先经过训练好的目标跟踪模型对视频流中每一帧图像进行目标检测，所述目标跟踪模型为宽度学习网络结构，包括两层网络，包括输入层和输出层；提取图像特征生成特征节点和特征节点的增强节点共同作为宽度学习系统的输入层；特征节点Z_i通过函数得到，即将输入图像数据X映射并产生第i组特征节点Z_i；若产生n个特征节点，表达如下：其中，是权重系数，是偏置项，两者都是随机产生的；给定记号Zⁱ≡[Z₁...Z_i]表示所有的输入图像映射的特征节点；增强节点是对特征节点的所代表的特征进行增强，通过函数得到，被记为H_j，前j组所有增强节点被记为H^j≡[H₁,...,H_j]；是权重系数，是偏置项，两者都是随机产生的；第m组增强节点表示为：此时宽度学习系统用如下公式表示：整个宽度学习系统的权重参数Wm通过伪逆得到结果，设Y为宽度学习系统的输出值，即：Y＝V3×Wm则通过伪逆得：Wm＝(V3T*V3+In+m*c)‑1*V3T*Yc为正则化参数，V3是特征节点与增强节点列拼接，共同作为输入层，表达式为：V3＝(Zn Hm)在宽度学习系统训练过程中，Y的值为训练集给定输出值；求解得到Wm，宽度学习系统的训练就完成了；B、基于宽度学习系统的跟踪和基于加速稳健特征算法的全图检测机制B1、读取图像序列和宽度学习系统训练的目标跟踪模型；B2、读取图像目标位置信息，如果是第一帧则取初始位置；如果为空则读取下一帧图像，累计丢失帧数，进入步骤B5；如果目标位置存在，读取下一帧图像，再根据目标位置周围选取多张图像作为输入图像；为方便起见，将输入图像称为备选图像；B3、将备选图像输入到宽度学习系统预先训练的目标跟踪模型，获得输出值，即每张备选图像的评价值；B4、而当所有的备选图像评价值小于预设阈值时，进入步骤B5，否则，评价值最高的备选图像位置，即认定为目标所在位置；将目标物位置保存；进入步骤B2；B5、统计累计丢失帧数，未到规定值时，进入步骤B2；否则，判断当前目标为长期丢失状态，需要进行全图范围内的重新定位，采用基于加速稳健特征算法即SURF算法的全图检测机制，应用SURF算法，建立Hessian矩阵，生成当前图像的特征点和预先保存含有目标的参考图像的特征点，计算两幅图像的特征点的欧氏距离确定匹配度；欧氏距离越短，代表两个特征点的匹配度越好；当匹配度大于预设阈值时，表示成功匹配，记录当前特征点；B6、成功匹配的特征点达到规定量时，认为目标已经出现，统计记录的特征点位置信息加权平均找到中心点，中心点即为重新捕获的目标位置；保存目标位置，丢失帧数归零；否则，认为当前帧目标没有出现，保存目标位置为空；，转步骤B2。