[发明专利]仿生模式识别目标自适应跟踪方法

摘要

本发明公开一种仿生模式识别目标自适应跟踪方法，主要解决现有技术中鲁棒性较差、对训练样本多样性要求较高的问题。其实现步骤为：(1)获取训练样本集；(2)提取训练样本特征；(3)依据训练样本灰度特征建立超香肠神经网络，依据训练样本编号特征和训练样本尺寸特征建立径向基神经网络；(4)计算超香肠神经网络与搜索区域中所有候选区域之间的欧式距离；(5)采用最小距离法获取目标位置；(6)获得目标位置在超香肠神经网络中的编号，并将其输入径向基神经网络获得目标尺寸。本发明通过对训练样本集中的训练样本进行覆盖式训练，提高了目标跟踪的鲁棒性，减少了对训练样本多样性的依赖，可用于智能机器人、智能交通系统和视频监控等领域。

主权项

一种仿生模式识别目标自适应跟踪方法，包括以下步骤：(1)输入一段视频，采用隔帧抽取的方式选择n帧图像，以每帧图像中目标区域为中心截取训练样本，得到n个训练样本，分别将其编号为1,2,...,n，组成训练样本集；(2)从训练样本集中提取训练样本特征，其特征包括：训练样本编号特征、训练样本灰度特征和训练样本目标尺寸特征；(3)建立超香肠神经网络和径向基神经网络：3a)设定覆盖参数α＝0.05，覆盖间隔k＝1/α，径向基函数个数m＝10；3b)采用向量化方法和标准化方法对训练样本灰度特征进行预处理，并按照覆盖参数α进行加权训练，得到扩展训练样本，将所有扩展训练样本组合形成超香肠神经网络H，再将超香肠神经网络H中所有的扩展样本依次编号作为超香肠神经网络编号特征；3c)依据覆盖间隔k更新训练样本编号特征，将更新后的训练样本编号特征与训练样本目标尺寸特征一起输入到具有m个互相连接的径向基函数R内进行训练，获得径向基神经网络W；(4)使用欧式距离度量法则在搜索区域内搜索目标：4a)输入一帧视频图像作为搜索区域；4b)在搜索区域内，逐像素选择与训练样本集中训练样本同尺寸的区域作为候选区域，提取候选区域灰度特征，按照步骤3b)的方法对候选区域灰度特征进行预处理后得到测试样本，计算测试样本与超香肠神经网络H中所有扩展样本之间的欧式距离，得到一组超香肠距离；4c)记录搜索区域内每一候选区域的最小超香肠距离，得到搜索区域距离，记录最小超香肠距离在超香肠编号特征中的编号，得到搜索区域编号；(5)取搜索区域距离中具有最小距离的位置作为目标位置；(6)取得搜索区域编号中目标位置处的编号，输入到径向基神经网络W，得到目标尺寸；(7)在输入的该帧视频图像中标记出目标位置和目标尺寸，重复步骤(4)‑步骤(6)，直至视频结束。