基于復(fù)合深度神經(jīng)網(wǎng)絡(luò)的運動跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種物體的運動跟蹤方法，特別涉及一種基于復(fù)合深度神經(jīng)網(wǎng)絡(luò)的運 動跟蹤方法，它是一種利用深度神經(jīng)網(wǎng)絡(luò)檢測目標(biāo)的跟蹤方法。
【背景技術(shù)】
[0002] 運動跟蹤由于受到遮擋、光照強度變化、面內(nèi)旋轉(zhuǎn)、面外旋轉(zhuǎn)、背景雜波等影響被 認為是一項極具挑戰(zhàn)的任務(wù)，也是計算機視覺的重要組成部分。運動跟蹤可被廣泛應(yīng)用與 多個領(lǐng)域，如視頻監(jiān)控、智能交通、產(chǎn)品檢測、異常行為檢測。盡管有大量模型被提出，但是 幾個關(guān)鍵的問題仍然沒得到充分的解決。
[0003] -個運動跟蹤系統(tǒng)一般由兩個模型組成：觀測模型和動態(tài)模型。觀測模型是描述 目標(biāo)物體的模型。動態(tài)模型用來確定物體狀態(tài)及狀態(tài)的轉(zhuǎn)換。在跟蹤系統(tǒng)中觀測模型是極 為重要的，模型精度對跟蹤效果影響極大。精確的觀測模型可以提升跟蹤成功率(success rate)，降低中心位置誤差（center-of-location error)。
[0004] 深度學(xué)習(xí)跟蹤器(deep learning tracker)在跟蹤中使用深度神經(jīng)網(wǎng)絡(luò)做為觀測 模型。由于在深度神經(jīng)網(wǎng)絡(luò)中使用過完備向量基，調(diào)節(jié)過程中的計算量巨大。因此深度學(xué)習(xí) 跟蹤器的速度往往難以接受。在跟蹤過程中深度學(xué)習(xí)跟蹤器使用BP算法進行調(diào)節(jié)。由于過 深的網(wǎng)絡(luò)使用BP算法訓(xùn)練會產(chǎn)生梯度擴散的問題(梯度擴散是在用BP算法調(diào)節(jié)網(wǎng)絡(luò)時，損 失函數(shù)的偏導(dǎo)隨著反向傳播而顯著減小。當(dāng)網(wǎng)絡(luò)層數(shù)較深時下層的網(wǎng)絡(luò)權(quán)值調(diào)節(jié)速度很 慢），網(wǎng)絡(luò)下層的權(quán)值往往得不到充分的調(diào)節(jié)。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對現(xiàn)有技術(shù)的不足，提出一種基于復(fù)合深度神經(jīng)網(wǎng)絡(luò)的運動跟蹤方法， 該方法能夠減少計算量，加快跟蹤速度，保證跟蹤成功率，降低中心位置誤差。從而使運動 跟蹤更加精確，更加快速。
[0006] 為了解決上述存在的技術(shù)問題，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：一種基于復(fù) 合深度神經(jīng)網(wǎng)絡(luò)的運動跟蹤方法，該方法內(nèi)容包括包括以下步驟：
[0007] 步驟1離線訓(xùn)練：
[0008] 由于需要跟蹤不同物體，在使用觀測模型之前需要能夠快速適應(yīng)不同目標(biāo)的權(quán) 值，因此需要使用大量樣本對其權(quán)值進行離線訓(xùn)練；由于過完備基向量在訓(xùn)練和跟蹤過程 中消耗了大量的計算量，所以去掉過完備基向量來簡化網(wǎng)絡(luò)的結(jié)構(gòu)，使用結(jié)點數(shù)量遞減的 神經(jīng)網(wǎng)絡(luò)；
[0009] 步驟2模型初始化：
[0010]用離線訓(xùn)練所得網(wǎng)絡(luò)頂端添加logistic分類器，使其能夠區(qū)分目標(biāo)與背景，并設(shè) 置調(diào)節(jié)網(wǎng)絡(luò)的參數(shù)；
[0011] 步驟3自適應(yīng)調(diào)節(jié)：
[0012] 在跟蹤過程中物體外觀發(fā)生變化時往往導(dǎo)致跟蹤發(fā)生漂移，因此，觀測模型需要 在跟蹤過程中進行調(diào)節(jié);在第一幀時，對第一幀進行自適應(yīng)調(diào)節(jié)，用目標(biāo)和背景樣本對網(wǎng)絡(luò) 進行調(diào)節(jié)，使網(wǎng)絡(luò)能夠識別目標(biāo)；
[0013] 步驟4目標(biāo)跟蹤：
[0014] 將觀測模型和動態(tài)模型結(jié)合，動態(tài)模型使用粒子濾波算法;粒子濾波在新一幀中 以上一幀目標(biāo)為中心采集粒子，將采集到的粒子交給觀測模型，觀測模型判斷粒子的置信 度，置信度最大的粒子即為目標(biāo)。
[0015] 其中，在步驟3中，所述對第一幀進行自適應(yīng)調(diào)節(jié)，其調(diào)節(jié)過程步驟如下：
[0016] 1)輸入:采集的正負樣本及標(biāo)簽3={(11，71)，......，（xn，y n)}，其中yi = {〇, 1}分 別對應(yīng)正樣本和負樣本；
[0017] 2)參數(shù)設(shè)定:設(shè)定降噪自動編碼和BP算法的重構(gòu)誤差最小閾值aD和αΒ、最大訓(xùn)練次 數(shù)ft)和βΒ、學(xué)習(xí)率λ[)和λ Β、沖量mD和Π1Β和權(quán)重懲罰系數(shù)WD和WB，降噪自動編碼的噪音系數(shù)Φ ;
[0018] 3)復(fù)合訓(xùn)練:執(zhí)行DCTtrain(NN，X，Y，opts)過程，使用降噪自動編碼訓(xùn)練最底層網(wǎng) 絡(luò)和使用BP算法訓(xùn)練更高層的網(wǎng)絡(luò);當(dāng)重構(gòu)誤差Ε<α?xí)r或訓(xùn)練次數(shù)T 2 β時，訓(xùn)練結(jié)束； [0019] 跟蹤過程中的自適應(yīng)調(diào)節(jié)過程只執(zhí)行3)。
[0020] 本發(fā)明與現(xiàn)有技術(shù)：
[0021] 由于采用上述技術(shù)方案，本發(fā)明提供的一種基于復(fù)合深度神經(jīng)網(wǎng)絡(luò)的運動跟蹤方 法，與現(xiàn)有技術(shù)相比具有這樣的的優(yōu)點：
[0022] (1)使用兩種網(wǎng)絡(luò)復(fù)合的方法在一定程度上消除了網(wǎng)絡(luò)自適應(yīng)中的梯度擴散問 題，使得底層網(wǎng)絡(luò)得到更有效的訓(xùn)練。
[0023] (2)簡化網(wǎng)絡(luò)結(jié)構(gòu)，使用結(jié)點數(shù)量遞減的神經(jīng)網(wǎng)絡(luò)代替過完備基向量，使得網(wǎng)絡(luò)訓(xùn) 練和跟蹤速度大大加快。復(fù)合網(wǎng)絡(luò)的應(yīng)用可以提取到更有效的特征擬補了去掉過完備基向 量后精度受到影響的問題，使得本發(fā)明具有較高的實時性和魯棒性。
【附圖說明】
[0024] 圖1為本發(fā)明的使用基于復(fù)合深度神經(jīng)網(wǎng)絡(luò)的運動跟蹤方法的流程圖；
[0025]圖2為自適應(yīng)調(diào)節(jié)流程圖；
[0026] 圖3為自適應(yīng)調(diào)節(jié)過程中復(fù)合訓(xùn)練流程圖；
[0027] 圖4為自適應(yīng)調(diào)節(jié)過程中降噪自動編碼訓(xùn)練流程圖；
[0028]圖5為自適應(yīng)調(diào)節(jié)過程中ΒΡ算法流程圖。
【具體實施方式】
[0029] 下面結(jié)合視頻序列"woman"的運動跟蹤過程對本發(fā)明方法作進一步的說明：
[0030] 本發(fā)明使用基于復(fù)合深度神經(jīng)網(wǎng)絡(luò)的運動跟蹤方法，如圖1所示，其具體內(nèi)容包含 以下步驟：
[0031] 步驟1離線訓(xùn)練：
[0032] 由于需要跟蹤不同物體，在使用觀測模型之前需要能夠快速適應(yīng)不同目標(biāo)的權(quán) 值，因此需要使用大量樣本對其權(quán)值進行離線訓(xùn)練；由于過完備基向量在訓(xùn)練和跟蹤過程 中消耗了大量的計算量，所以去掉過完備基向量來簡化網(wǎng)絡(luò)的結(jié)構(gòu)，使用結(jié)點數(shù)量遞減的 神經(jīng)網(wǎng)絡(luò)；
[0033] 步驟2模型初始化：
[0034] 用離線訓(xùn)練所得網(wǎng)絡(luò)頂端添加logistic分類器，使其能夠區(qū)分目標(biāo)與背景，并設(shè) 置調(diào)節(jié)網(wǎng)絡(luò)的參數(shù)；
[0035] 步驟3自適應(yīng)調(diào)節(jié)：
[0036] 在跟蹤過程中物體外觀發(fā)生變化時往往導(dǎo)致跟蹤發(fā)生漂移，因此，觀測模型需要 在跟蹤過程中進行調(diào)節(jié);在第一幀時，對第一幀進行自適應(yīng)調(diào)節(jié)，用目標(biāo)和背景樣本對網(wǎng)絡(luò) 進行調(diào)節(jié)，使網(wǎng)絡(luò)能夠識別目標(biāo)；
[0037] 步驟4目標(biāo)跟蹤：
[0038] 將觀測模型和動態(tài)模型結(jié)合，動態(tài)模型使用粒子濾波算法;粒子濾波在新一幀中 以上一幀目標(biāo)為中心采集粒子，將采集到的粒子交給觀測模型，觀測模型判斷粒子的置信 度，置信度最大的粒子即為目標(biāo)。
[0039] 其中，在步驟3中，所述對第一幀進行自適應(yīng)調(diào)節(jié)，其流程圖如圖2所示，其調(diào)節(jié)過 程步驟如下：
[0040] 1)輸入:采集的正負樣本及標(biāo)簽3={(11，71)，...