[发明专利]使用自适应判别学习和测量融合的导管跟踪的方法和系统

权利要求书

1.一种用于在荧光透视图像序列中跟踪对象的方法，其包括：

基于在荧光透视图像序列的至少一个在前帧中的被跟踪的对象在线训练自适应判别模型；以及

至少基于在线训练的自适应判别模型来在荧光透视图像序列的当前帧中跟踪对象。

2.根据权利要求1所述的方法，其中，基于在荧光透视图像序列的至少一个在前帧中的被跟踪的对象在线训练自适应判别模型的步骤包括：

提取来自在至少一个在前帧中的被跟踪的对象的正样本以及远离在至少一个在前帧中的被跟踪的对象的负样本；

基于所提取的正样本以及负样本，使用梯度下降法来更新线性判别向量，以减少贝叶斯误差；以及

基于所更新的线性判别向量来更新概率模型。

3.根据权利要求2所述的方法，其中，基于在荧光透视图像序列的至少一个在前帧中的被跟踪的对象在线训练自适应判别模型的步骤还包括：

重复更新线性判别向量以及更新概率模型的步骤，直到线性判别向量收敛。

4.根据权利要求2所述的方法，其中，最初的线性判别向量基于被注解的训练数据而离线训练。

5.根据权利要求4所述的方法，其中，最初的线性判别向量使用减少训练数据的维度的主成分分析(PCA)以及使用被应用到来自PCA的主成分结果以学习最初的判别向量的费舍尔判别分析(FDA)而得以离线训练。

6.根据权利要求1所述的方法，其中，至少基于在线训练的自适应判别模型来在荧光透视图像序列的当前帧中跟踪对象的步骤包括：

在当前帧中使用其中一个为自适应判别模型的多个测量模型的融合来跟踪对象。

7.根据权利要求6所述的方法，其中，在当前帧中使用其中一个为自适应判别模型的多个测量模型的融合来跟踪对象的步骤包括：

在当前帧中使用为在线训练的自适应判别模型、离线训练的对象检测模型以及在线表象模型的融合的总体测量模型来跟踪对象。

8.根据权利要求7所述的方法，其中，对象检测模型基于被注解的训练数据使用概率推进树(PBT)而被离线训练。

9.根据权利要求7所述的方法，其中，基于当前帧中的图像块与根据在至少一个在前帧中的被跟踪的对象来在线训练的表象模板之间的差，在线表象模型计算所述图像块的概率。

10.根据权利要求7所述的方法，其中，在当前帧中使用为在线训练的自适应判别模型、离线训练的对象检测模型以及在线表象模型的融合的总体测量模型来跟踪对象的步骤包括：

在当前帧中基于从至少一个在前帧传播的运动先验概率和总体测量模型来跟踪对象。