本發(fā)明涉及基于連續(xù)時(shí)空置信圖和半監(jiān)督極限學(xué)習(xí)機(jī)的目標(biāo)追蹤方法，屬于智能信息處理和目標(biāo)追蹤
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：目標(biāo)跟蹤是絕大多數(shù)視覺系統(tǒng)中不可或缺的環(huán)節(jié)。在特定的場(chǎng)景應(yīng)用中(如視頻監(jiān)控等領(lǐng)域)，自動(dòng)化、快速、高魯棒性的目標(biāo)追蹤受到關(guān)注。視頻監(jiān)控、交通檢測(cè)，智能機(jī)器人，海底目標(biāo)探測(cè)追蹤等方面具有廣闊的應(yīng)用前景。目標(biāo)追蹤是計(jì)算機(jī)視覺領(lǐng)域中極其重要的一部分，視頻中運(yùn)動(dòng)物體跟蹤算法是通過分析待追蹤視頻圖像序列中每一幀的視頻圖像的信息，在視頻中進(jìn)行數(shù)據(jù)挖掘，學(xué)習(xí)目標(biāo)行為并進(jìn)行大量的動(dòng)作捕捉，對(duì)信息進(jìn)行一系列的處理，得到并標(biāo)記出所追蹤到目標(biāo)在視頻圖像中相應(yīng)的位置。物體之間的遮擋形變、背景的復(fù)雜性，光照明暗變化，實(shí)時(shí)性和健壯性差等是追蹤過程亟待解決的問題。經(jīng)典的追蹤方法如Meanshift、粒子濾波等依賴于視頻中所含目標(biāo)信息的豐富程度，在實(shí)際的視頻圖像序列中，目標(biāo)所能提供的信息相當(dāng)有限，導(dǎo)致不能穩(wěn)定的追蹤目標(biāo)，如場(chǎng)景中有形變遮擋，這些經(jīng)典算法更是無能為力。即現(xiàn)有技術(shù)中存在的主要問題：(1)待追蹤視頻場(chǎng)景中追蹤的過程中實(shí)時(shí)性和健壯性差，目標(biāo)時(shí)空位置信息匱乏，目標(biāo)特征不明顯問題；(2)當(dāng)場(chǎng)景有遮擋物和待追蹤目標(biāo)發(fā)生形變的情況下，尤其是會(huì)出現(xiàn)整個(gè)目標(biāo)被遮擋和待追蹤目標(biāo)發(fā)生巨大的形變的狀況，會(huì)導(dǎo)致追蹤的目標(biāo)丟失的問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種基于連續(xù)時(shí)空置信圖和半監(jiān)督極限學(xué)習(xí)機(jī)的目標(biāo)追蹤方法，以彌補(bǔ)現(xiàn)有技術(shù)的不足。本發(fā)明考慮到視頻圖像幀在時(shí)間上是連續(xù)的，時(shí)間的連續(xù)性體現(xiàn)在鄰近幀間待追蹤目標(biāo)變化不會(huì)很大，同時(shí)待追蹤目標(biāo)位置也不會(huì)發(fā)生突變；與此同時(shí)視頻圖像幀在空間上也是連續(xù)的，空間連續(xù)性體現(xiàn)在目標(biāo)和目標(biāo)周圍背景存在某種特定關(guān)系，當(dāng)目標(biāo)的外觀發(fā)生很大變化時(shí)，這種關(guān)系可以幫助區(qū)分待追蹤目標(biāo)和背景區(qū)域，提出利用連續(xù)時(shí)空置信圖學(xué)習(xí)的追蹤方法克服實(shí)時(shí)性和健壯性差、目標(biāo)時(shí)空位置信息匱乏和目標(biāo)特征不明顯等的問題。針對(duì)形變以及遮擋問題，充分考慮到真實(shí)目標(biāo)所能提供的信息，充分挖掘有標(biāo)簽樣本和無標(biāo)簽樣本的分布相似性，提高追蹤的精度，提出了一種挖掘有標(biāo)簽樣本和無標(biāo)簽樣本分布相似性的基于極限學(xué)習(xí)機(jī)的半監(jiān)督追蹤方法，將上述兩種方法結(jié)合在一個(gè)耦合的追蹤框架中，實(shí)現(xiàn)了一種健壯性佳、高魯棒性的追蹤。為達(dá)到上述目的，本發(fā)明采取的具體技術(shù)方案是通過以下步驟實(shí)現(xiàn)的：步驟一、在特定待追蹤監(jiān)控場(chǎng)景中采集n幀待追蹤目標(biāo)視頻A＝{I1,…,Ii,…In}，其中Ii表示第i幀待追蹤視頻圖像序列，利用圖像濾波去噪、對(duì)比度增強(qiáng)預(yù)處理待追蹤視頻序列降低噪聲且突出感興趣待追蹤區(qū)域；步驟二、在第t幀待追蹤視頻圖像序列It中使用矩形窗口選取待追蹤目標(biāo)O，確定目標(biāo)中心位置o*，O表示新目標(biāo)在場(chǎng)景中的存在，o代表新目標(biāo)位置，定義一個(gè)二維待追蹤目標(biāo)的置信圖模型Ct(o)；將待追蹤目標(biāo)區(qū)域擴(kuò)大兩倍形成局部背景區(qū)域表示為在內(nèi)提取坐標(biāo)位置k處的強(qiáng)度位置特征w(k)，組成強(qiáng)度位置特征集I(k)表示坐標(biāo)位置k處圖像的亮度，表示坐標(biāo)o*的鄰域；建立第t幀待追蹤目標(biāo)的先驗(yàn)?zāi)Ｐ蚉(w(k)|O)，以此推算出t幀時(shí)空模型步驟三、在待追蹤目標(biāo)中心位置所在區(qū)域重疊采樣，獲得N1個(gè)區(qū)域塊圖像作為正樣本和N2個(gè)區(qū)域塊圖像作為負(fù)樣本，提取正負(fù)樣本數(shù)據(jù)特征xj，記正樣本的類別標(biāo)簽是1，負(fù)樣本的類別標(biāo)簽是0，yj∈{1,0}；建立有標(biāo)注樣本集和無標(biāo)注樣本集Xu組成訓(xùn)練樣本集X＝{Xs,Xu}＝{(xj,yj)},j＝1,...,N1+N2；步驟四、用步驟三得到的訓(xùn)練樣本集X訓(xùn)練半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型；步驟五、在It+1中，利用步驟二求得的第t幀時(shí)空模型進(jìn)行模型更新，計(jì)算得到第t+1幀的時(shí)空模型利用求得的t+1幀時(shí)空模型卷積It+1得到新目標(biāo)的時(shí)空置信圖Ct+1(o)，最大化Ct+1(o)確定在t+1幀中目標(biāo)位置o；步驟六、判斷目標(biāo)是否被遮擋，若目標(biāo)未被遮擋，進(jìn)入步驟五，反之，進(jìn)入步驟七；步驟七、在It+1中，由It中已求得的o*為目標(biāo)位置，在目標(biāo)位置o*所在區(qū)域，以目標(biāo)區(qū)域矩形窗口大小重疊采樣，獲得N個(gè)區(qū)域塊圖像作為候選目標(biāo)，提取候選目標(biāo)數(shù)據(jù)特征建立待追蹤目標(biāo)圖像塊測(cè)試樣本集將測(cè)試樣本集輸入步驟四已訓(xùn)練完成的半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)，得到t+1幀測(cè)試輸出T，最大化在線半監(jiān)督極限學(xué)習(xí)機(jī)最大分類響應(yīng)位置，得到t+1幀中目標(biāo)位置o；步驟八、對(duì)最大分類響應(yīng)結(jié)果進(jìn)行在線半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型更新閾值判定，若在線半監(jiān)督極限學(xué)習(xí)機(jī)模型不需要更新，進(jìn)入步驟五，反之進(jìn)入步驟九；步驟九、由步驟三得到的有標(biāo)注數(shù)據(jù)集和步驟七得到的測(cè)試樣本集作為無標(biāo)注數(shù)據(jù)集Xu＝Xt+1，進(jìn)行步驟四，重新訓(xùn)練半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型；循環(huán)重復(fù)上述步驟，直至追蹤完成整個(gè)視頻序列。進(jìn)一步的，所述步驟三：在待追蹤目標(biāo)中心位置o*所在區(qū)域，以目標(biāo)區(qū)域矩形窗口大小重疊采樣，第j個(gè)采樣點(diǎn)到目標(biāo)中心位置的歐式距離為當(dāng)時(shí)，采樣獲得N1個(gè)區(qū)域塊圖像作為正樣本，當(dāng)時(shí)，采樣獲得N2個(gè)區(qū)域塊圖像作為負(fù)樣本，r1、r2和r3分別是采樣半徑；提取正負(fù)樣本數(shù)據(jù)特征xj，建立待追蹤目標(biāo)圖像塊訓(xùn)練樣本集，共收集(N1+N2)個(gè)目標(biāo)圖像塊作為訓(xùn)練樣本集X＝{(xj,yj)},j＝1,...,N1+N2，記正樣本的類別標(biāo)簽是1，負(fù)樣本的類別標(biāo)簽是0，yj∈{1,0}；將訓(xùn)練樣本集中的樣本順序打亂并重排，取排在最前面的一定比例的樣本(通常比例較低)作為已標(biāo)注樣本集Xs，取剩余樣本(通常比例較高)作為未標(biāo)注樣本集Xu，且X＝{Xs,Xu}。所述步驟四：采用隨機(jī)方式設(shè)置輸入權(quán)值和隱藏層偏置，若用(a,b)表示隱藏層結(jié)點(diǎn)獲得的輸入權(quán)重a和閾值b，訓(xùn)練樣本為有標(biāo)注數(shù)據(jù)集無標(biāo)注數(shù)據(jù)集其中Xs和Xu表示輸入樣本，Ys是與Xs對(duì)應(yīng)的輸出樣本；隱藏層的映射函數(shù)為G(x)，映射函數(shù)形式可以表示為G(x)＝1/(1+e-x)，輸出權(quán)重用β表示，h(xi)＝[G(a1,b1,xi),…,G(aL,bL,xi)]s×m表示第i個(gè)隱含層輸出矩陣，隱藏層的節(jié)點(diǎn)數(shù)為m，ei表示第i個(gè)輸入節(jié)點(diǎn)的學(xué)習(xí)誤差(殘差)半監(jiān)督極限學(xué)習(xí)機(jī)的目標(biāo)函數(shù)為：fi＝h(xi)β,i＝1,...,s+u其中ci表示懲罰參數(shù)，λ表示權(quán)衡參數(shù)，L是由標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)得到的圖拉普拉斯運(yùn)算結(jié)果，F(xiàn)是網(wǎng)絡(luò)的輸出矩陣，Tr是跡運(yùn)算；用矩陣形式表示半監(jiān)督極限學(xué)習(xí)機(jī)目標(biāo)函數(shù)為：其中是前s行等于Ys，后u行等于零的輸出標(biāo)簽樣，C是前s個(gè)對(duì)角線元素為Ci剩余為零的對(duì)角陣；對(duì)上式對(duì)β求偏導(dǎo)得到：令偏導(dǎo)為零，求解得到輸出權(quán)重β為：當(dāng)有標(biāo)簽數(shù)據(jù)大于隱藏層結(jié)點(diǎn)數(shù)時(shí)當(dāng)有標(biāo)簽數(shù)據(jù)小于隱藏層結(jié)點(diǎn)數(shù)時(shí)其中，HT為矩陣H的轉(zhuǎn)置矩陣。步驟六所述的判斷目標(biāo)是否被遮擋的方法為對(duì)置信圖的結(jié)果進(jìn)行遮擋閾值th1判定，若時(shí)，表明目標(biāo)出現(xiàn)遮擋，th1表示遮擋的臨界值，會(huì)根據(jù)場(chǎng)景的不同而變化，本算法應(yīng)用于不同場(chǎng)景時(shí)，人為地調(diào)整th1值，正常情況下會(huì)在某個(gè)范圍波動(dòng)，當(dāng)目標(biāo)被遮擋時(shí)，會(huì)迅速下降，將迅速下降之后的值定義為th1值，以此判斷目標(biāo)是否被遮擋。步驟八所述的判斷在線半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型是否需更新的方法為對(duì)最大分類響應(yīng)結(jié)果Tmax進(jìn)行更新閾值th2判定，若Tmax>th2時(shí)，表明在線半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型不需更新，以更新閾值th2判斷網(wǎng)絡(luò)模型是否需更新。本發(fā)明的有益效果：本發(fā)明將連續(xù)時(shí)空置信圖學(xué)習(xí)追蹤方法和半監(jiān)督極限學(xué)習(xí)機(jī)追蹤方法相結(jié)合，解決了追蹤過程中實(shí)時(shí)性和健壯性差、目標(biāo)時(shí)空位置信息匱乏、目標(biāo)特征不明顯以及形變遮擋以導(dǎo)致追蹤目標(biāo)丟失的問題。本發(fā)明具體是通過計(jì)算連續(xù)時(shí)空置信圖進(jìn)行遮擋閾值判定，得到了一種判斷目標(biāo)是否進(jìn)入遮擋區(qū)域的方法，有效的解決了目標(biāo)遮擋的判定問題，以及通過計(jì)算半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)輸出最大響應(yīng)值進(jìn)行半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型更新閾值判定，得到了一種判斷該網(wǎng)絡(luò)模型是否需更新的方法，有效解決了網(wǎng)絡(luò)模型泛化性差的問題。本發(fā)明極大地提高了追蹤的精度，實(shí)現(xiàn)了一種健壯性佳、高魯棒性的追蹤過程。附圖說明圖1為本發(fā)明的整體追蹤流程示意圖。圖2為具體實(shí)施例中待追蹤目標(biāo)的區(qū)域標(biāo)記圖。圖3為具體實(shí)施例中基于連續(xù)時(shí)空置信圖目標(biāo)追蹤方法框圖。圖4為半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的基本框架圖。圖5為具體實(shí)施例中基于半監(jiān)督極限學(xué)習(xí)機(jī)目標(biāo)追蹤方法框圖。圖6為具體實(shí)施例中遮擋情況下追蹤效果示例，圖(a)是具有待追蹤感興趣目標(biāo)的視頻幀，(b)、(c)、(d)、(e)、(f)分別是在(a)幀后對(duì)該感興趣目標(biāo)進(jìn)行追蹤的視頻幀。具體實(shí)施方式為使本發(fā)明的目的、實(shí)施方案和優(yōu)點(diǎn)更為清晰，下面結(jié)合附圖并通過具體實(shí)施例來進(jìn)一步說明本發(fā)明。本發(fā)明的具體流程圖如圖1所示。本實(shí)施例中具體采用一段經(jīng)典的走廊監(jiān)控視頻caviar(384*288像素，每秒25幀)作為待追蹤視頻。步驟一、利用圖像濾波去噪、對(duì)比度增強(qiáng)預(yù)處理待追蹤視頻序列，降低噪聲且突出感興趣待追蹤區(qū)域；具體包括以下步驟：步驟1-1、對(duì)一段經(jīng)典的走廊監(jiān)控視頻caviar定義為A，進(jìn)行分幀處理獲得200幀待追蹤視頻圖像序列，即A＝{I1,…,Ii,…I200}，其中Ii表示該走廊監(jiān)視視頻caviar第i幀待追蹤視頻圖像；步驟1-2、對(duì)該200幀視頻圖像序列進(jìn)行濾波去噪、對(duì)比度增強(qiáng)的預(yù)處理。步驟二、在第t＝1幀待追蹤視頻圖像序列It＝1中選取待追蹤目標(biāo)O，確定目標(biāo)中心位置o*，O表示新目標(biāo)在場(chǎng)景中的存在，o表示新目標(biāo)位置，定義一個(gè)二維待追蹤目標(biāo)的置信圖模型Ct(o)；建立t幀待追蹤目標(biāo)的先驗(yàn)?zāi)Ｐ蚉(w(k)|O)，以此推算出t幀時(shí)空模型如圖3所示；具體包括以下步驟：步驟2-1、在It＝1中由用戶使用矩形窗口W選取待追蹤感興趣目標(biāo)O，目標(biāo)區(qū)域矩形窗口的寬度為w與高度為h，o表示新目標(biāo)位置，將目標(biāo)區(qū)域擴(kuò)大兩倍形成局部背景區(qū)域表示為如圖2所示；在局部背景區(qū)域內(nèi)提取坐標(biāo)位置k處強(qiáng)度位置特征w(k)，組成強(qiáng)度位置特征集I(k)表示坐標(biāo)位置k處圖像的亮度，表示坐標(biāo)o*的鄰域；步驟2-2、將追蹤問題轉(zhuǎn)化為計(jì)算待追蹤感興趣目標(biāo)位置置信圖問題：其中Ct(o)表示第t幀的置信圖模型，表示新目標(biāo)位置o和舊目標(biāo)位置o*的相對(duì)位置和方向，新目標(biāo)位置距離舊目標(biāo)位置越近，置信值越大；表示時(shí)空模型，描述新目標(biāo)o和局部背景區(qū)域坐標(biāo)點(diǎn)k的相對(duì)位置和方向，P(w(k)|O)表示先驗(yàn)?zāi)Ｐ?，描述舊目標(biāo)位置和局部背景區(qū)域坐標(biāo)點(diǎn)k的強(qiáng)度和相對(duì)位置方向，模擬待追蹤感興趣目標(biāo)O的低級(jí)輪廓信息；步驟2-3、計(jì)算第t＝1幀It＝1的置信圖同時(shí)得到最大置信值步驟2-4、計(jì)算第t＝1幀的先驗(yàn)?zāi)Ｐ推渲惺浅叨葏?shù)；步驟2-5、由計(jì)算出第t＝1幀It＝1的置信圖模型Ct(o)和先驗(yàn)?zāi)Ｐ蚉(w(k),O)計(jì)算第t＝1幀的感興趣目標(biāo)的時(shí)空模型其中F表示快速傅立葉變換，F(xiàn)-1表示快速傅立葉逆變換。步驟三、在待追蹤目標(biāo)中心位置所在區(qū)域重疊采樣，獲得N1個(gè)區(qū)域塊圖像作為正樣本和N2個(gè)區(qū)域塊圖像作為負(fù)樣本，提取正負(fù)樣本數(shù)據(jù)特征xj，建立有標(biāo)注樣本集和無標(biāo)注樣本集Xu組成訓(xùn)練樣本集X＝{(xj,yj)},j＝1,...,N1+N2，如圖5所示，具體包括以下步驟：步驟3-1、在中心位置o*所在區(qū)域，以目標(biāo)區(qū)域矩形窗口大小重疊采樣，第j個(gè)采樣點(diǎn)到目標(biāo)中心位置的歐式距離為當(dāng)時(shí)，采樣獲得45個(gè)區(qū)域塊圖像作為正樣本，當(dāng)時(shí)，采樣獲得31個(gè)區(qū)域塊圖像作為負(fù)樣本，采樣半徑r1、r2和r3分別是設(shè)置的參數(shù)5，10和20(單位：像素)；步驟3-2、提取正負(fù)樣本數(shù)據(jù)特征xj，建立待追蹤目標(biāo)圖像塊訓(xùn)練樣本集，共收集76個(gè)目標(biāo)圖像塊作為訓(xùn)練樣本集X＝{(xj,yj)},j＝1,...,76，記正樣本的類別標(biāo)簽是1，負(fù)樣本的類別標(biāo)簽是0，yj∈{1,0}；步驟3-3、將訓(xùn)練樣本集中的樣本順序打亂并重排，取排在最前面的50個(gè)的樣本作為已標(biāo)注樣本集Xs，取剩余26個(gè)樣本作為未標(biāo)注樣本集Xu，且X＝{Xs,Xu}。步驟四、用步驟三得到的訓(xùn)練樣本集X訓(xùn)練在線半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型，具體包括以下步驟：步驟4-1、半監(jiān)督極限學(xué)習(xí)機(jī)是一種單隱層的前饋神經(jīng)網(wǎng)絡(luò)模型如圖4所示，整個(gè)網(wǎng)絡(luò)模型分為三層，包括：輸入層，隱藏層和輸出層，采用隨機(jī)方式設(shè)置輸入權(quán)值和隱藏層偏置，獨(dú)立于訓(xùn)練樣本，算法結(jié)構(gòu)簡(jiǎn)單計(jì)算效率高，若用(a,b)表示隱藏層結(jié)點(diǎn)獲得的輸入權(quán)重a和閾值b，訓(xùn)練樣本為有標(biāo)注數(shù)據(jù)集無標(biāo)注數(shù)據(jù)集其中Xs和Xu表示輸入樣本，Ys是與Xs對(duì)應(yīng)的輸出樣本；隱藏層的映射函數(shù)為G(x)，映射函數(shù)形式可以表示為G(x)＝1/(1+e-x)，輸出權(quán)重用β表示，h(xi)＝[G(a1,b1,xi),…,G(a2000,b2000,xi)]50×2000表示第i個(gè)隱含層輸出矩陣，隱藏層的節(jié)點(diǎn)數(shù)為2000，ei表示第i個(gè)輸入節(jié)點(diǎn)的學(xué)習(xí)誤差(殘差)；步驟4-2、需訓(xùn)練的半監(jiān)督極限學(xué)習(xí)機(jī)的目標(biāo)函數(shù)為：fi＝h(xi)β,i＝1,...,s+u其中ci表示懲罰參數(shù)，λ表示權(quán)衡參數(shù)，L是由標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)得到的圖拉普拉斯運(yùn)算結(jié)果，F(xiàn)是網(wǎng)絡(luò)的輸出矩陣，Tr是跡運(yùn)算；步驟4-3、用矩陣形式表示半監(jiān)督極限學(xué)習(xí)機(jī)目標(biāo)函數(shù)為：其中是前50行等于Ys，后26行等于零的輸出標(biāo)簽樣本。C是前50個(gè)對(duì)角線元素為Ci剩余為零的對(duì)角陣；步驟4-4、對(duì)上式對(duì)β求偏導(dǎo)得到：步驟4-5、令偏導(dǎo)為零，求解得到輸出權(quán)重β為：當(dāng)有標(biāo)簽數(shù)據(jù)大于隱藏層結(jié)點(diǎn)數(shù)時(shí)當(dāng)有標(biāo)簽數(shù)據(jù)小于隱藏層結(jié)點(diǎn)數(shù)時(shí)其中，HT為矩陣H的轉(zhuǎn)置矩陣，至此半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型訓(xùn)練完畢。步驟五、在第t+1幀中，利用步驟二求得的第t幀時(shí)空模型進(jìn)行模型更新，計(jì)算得到第t+1幀的時(shí)空模型利用求得的t+1幀時(shí)空模型卷積圖像It+1得到新目標(biāo)的時(shí)空置信圖Ct+1(o)，最大化該求得的置信圖Ct+1(o)確定在t+1幀中目標(biāo)位置o，如圖3所示，具體包括以下步驟：步驟5-1、在It+1中，以o*為目標(biāo)位置取兩倍于目標(biāo)大小的局部背景區(qū)域在該區(qū)域內(nèi)提取強(qiáng)度位置特征，組成強(qiáng)度位置特征集步驟5-2、第t幀待追蹤感興趣目標(biāo)的時(shí)空模型更新：其中ρ是學(xué)習(xí)率，是第t幀計(jì)算得到的待追蹤感興趣目標(biāo)時(shí)空模型，在頻域表示為：其中是的時(shí)域傅立葉變換。時(shí)域?yàn)V波器Fw表示為：Fw＝ρ/(ejw-(1-ρ))其中j是虛數(shù)單位；步驟5-3、計(jì)算t+1幀待追蹤感興趣目標(biāo)置信圖：步驟5-4、在t+1幀中感興趣目標(biāo)位置o即最大化t+1幀的置信圖：o＝argmaxCt+1(o)最大置信值為步驟六、判斷目標(biāo)是否被遮擋，具體包括以下步驟：步驟6-1、對(duì)步驟5-4得到的最大置信值進(jìn)行遮擋閾值th1判定，若時(shí)，表明目標(biāo)出現(xiàn)遮擋，以此判斷目標(biāo)是否被遮擋。th1表示遮擋的臨界值，會(huì)根據(jù)場(chǎng)景的不同而變化，本算法應(yīng)用于不同場(chǎng)景時(shí)，人為地調(diào)整th1值，正常情況下會(huì)在某個(gè)范圍波動(dòng)，當(dāng)目標(biāo)被遮擋時(shí)，會(huì)迅速下降，將迅速下降之后的值定義為th1值；本具體方案中定義步驟6-2、若時(shí)，表明目標(biāo)未出現(xiàn)遮擋，進(jìn)行步驟5-1，否則進(jìn)行步驟7-1。步驟七、在第t+1幀中，在第t幀已追蹤到目標(biāo)中心位置處重疊采樣，提取候選目標(biāo)數(shù)據(jù)特征，建立待追蹤目標(biāo)圖像塊測(cè)試樣本，將測(cè)試樣本輸入上述訓(xùn)練好的在線半監(jiān)督極限學(xué)習(xí)機(jī)中，將測(cè)試樣本內(nèi)最大分類響應(yīng)位置為預(yù)測(cè)新目標(biāo)位置，如圖5所示，具體包括以下步驟：步驟7-1、對(duì)第t+1幀視頻圖像，以o*為目標(biāo)位置，在中心位置o*所在區(qū)域，以目標(biāo)區(qū)域矩形窗口大小重疊采樣，第j個(gè)采樣點(diǎn)到o*的歐式距離為當(dāng)時(shí)，采樣獲得232個(gè)區(qū)域塊圖像作為候選目標(biāo)即測(cè)試數(shù)據(jù)，提取的樣本數(shù)據(jù)特征為并記測(cè)試集為采樣半徑r1設(shè)置的參數(shù)為20(單位：像素)；步驟7-2、測(cè)試輸出為：T＝H*β其中β為t幀計(jì)算的輸出權(quán)重，H*為測(cè)試的隱層輸出矩陣,步驟7-3、在t+1幀中，待追蹤感興趣目標(biāo)位置o即最大化t+1幀半監(jiān)督極限學(xué)習(xí)機(jī)最大分類響應(yīng)位置：o＝argmaxT最大分類響應(yīng)值為Tmax。步驟八、對(duì)最大分類響應(yīng)結(jié)果進(jìn)行在線半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型更新閾值判定，具體步驟如下：步驟8-1、對(duì)最大分類響應(yīng)結(jié)果Tmax進(jìn)行半監(jiān)督極限學(xué)習(xí)機(jī)的更新閾值th2判定，若Tmax>th2時(shí)，表明在線半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型不需更新，以此判斷在線半監(jiān)督極限學(xué)習(xí)機(jī)模型是否需要更新，th2表示更新的臨界值，本具體方案中定義th2＝0。步驟8-2、若Tmax>0時(shí)，表明在線半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型不需更新，進(jìn)行步驟5-1，否則進(jìn)行步驟九。步驟九、重新訓(xùn)練在線半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型，如圖5所示，具體如下：由步驟3-3得到的有標(biāo)注數(shù)據(jù)集和步驟7-1得到的測(cè)試集作為無標(biāo)注數(shù)據(jù)集Xu＝Xt+1，進(jìn)行步驟4-1重新訓(xùn)練在線半監(jiān)督極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型。循環(huán)重復(fù)上述步驟，直至完成對(duì)于整個(gè)待追蹤監(jiān)控視頻序列的追蹤。對(duì)以上提到的待追蹤監(jiān)控視頻，分別用粒子濾波、Meanshift和本發(fā)明方法追蹤性能的比較，結(jié)果見表1，可以看出，本發(fā)明方法不論中心位置偏差結(jié)果還是偏差均方差結(jié)果均優(yōu)于粒子濾波和Meanshift方法，實(shí)現(xiàn)了對(duì)目標(biāo)追蹤的健壯性和魯棒性。表1為顯示粒子濾波、Meanshift和本發(fā)明方法追蹤性能對(duì)比粒子濾波Meanshift本發(fā)明方法中心位置偏差75.479622.974010.1834偏差均方差47.890312.26077.9702圖6為具體實(shí)施例中遮擋情況下追蹤效果示例，可以看出在連續(xù)經(jīng)歷了兩次嚴(yán)重的遮擋情況下，仍能準(zhǔn)確的追蹤上目標(biāo)，進(jìn)一步證明了本發(fā)明方法的健壯性和魯棒性。以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁1 2 3