[发明专利]一种基于深度学习特征和点到集合距离度量学习的目标跟踪方法

权利要求书

1.一种基于深度学习特征和点到集合距离度量学习的目标跟踪方法，其特征是，包括以下步骤：

在跟踪的起始帧随机选取若干目标样本和背景样本，在起始帧按照目标样本与背景样本的数量比值1：10进行采样，所述目标样本与指定跟踪区域交并比大于0.7，所述背景样本与指定跟踪区域交并比小于0.5；

对目标样本进行目标样本特征提取，对背景样本进行背景样本特征提取；

将提取的目标样本特征聚类成若干个目标模板集合，将提取的背景样本特征聚类成若干个背景模板集合；

通过降低同类别样本间距离并增大不同样本间的距离来学习投影矩阵：定义待优化的目标函数所述目标函数的优化目标包括三项：第一项是欧式空间中的点x_i与流形上的点S_j之间的距离保持，即同类别的样本x_i和样本集合S_j在投影后的空间距离小，不同类别的样本x_i和样本集合S_j在投影后的空间距离大，x_i代表目标样本或者背景样本的任意一个，S_j表示目标样本集合、背景样本集合中的任意一个，f(·)和表示要学习的映射，如果x_i和S_j具有属于同一个类别，1(i,j)＝1，否则，1(i,j)＝-1；第二项(G_e+G_r)是欧式空间中样本点距离的保持以及流形空间上样本点距离的保持，即同类别的样本在投影后的空间距离小，不同类别的样本在投影后的空间距离大，其中d(v_i,v_j)＝exp(‖v_i-v_j‖²/σ²)，v表示x或者S；第三项表示正则约束，即投影后的各个维度重要性一致；

使用交叉迭代优化方法求解欧式空间的投影矩阵W_x和流行空间上的投影矩阵W_s；

根据高斯分布对后续帧进行目标候选采集；

提取目标候选的特征，并使用投影矩阵将目标模板集合、背景模板集合和目标候选投影到共同的子空间；

计算每个目标候选到所有目标模板集合的距离，距离之和作为每个目标候选的得分，最终的跟踪结果为距离最小的前若干个目标候选的平均值。

2.如权利要求1所述的一种基于深度学习特征和点到集合距离度量学习的目标跟踪方法，其特征是，所述对目标样本进行目标样本特征提取，对背景样本进行背景样本特征提取，包括：

使用深度卷积神经网络MDNet对目标样本进行目标样本特征提取和对背景样本进行背景样本特征提取。

3.如权利要求1所述的一种基于深度学习特征和点到集合距离度量学习的目标跟踪方法，其特征是，所述将提取的目标样本特征聚类成若干个目标模板集合，将提取的背景样本特征聚类成若干个背景模板集合，包括：

对提取的目标样本特征采用K-means方法聚类为若干个目标样本集合，对每个目标样本集合分配一个类别标签；对提取的背景样本特征采用K-means方法聚类为若干个背景样本集合，对每个背景样本集合分配一个类别标签。