[发明专利]一种基于卷积神经网络的水平集目标追踪方法

权利要求书

1.一种基于卷积神经网络的水平集目标追踪方法，其特征在于：包括以下步骤：

步骤1，利用视频输入的第一帧和第一帧标准目标轮廓初始化Adaboost检测模块；

步骤2，调用步骤1所得检测模块，获取物体在后续视频帧中的初步位置和形状；

步骤3，在步骤2基础上运行水平集法追踪模块，精确分割物体轮廓；

步骤4，使用步骤3的结果区分前景/背景，更新检测模块的弱分类器；

至此，从步骤1到步骤4，完成了一种基于卷积神经网络的水平集目标追踪方法。

2.如权利要求1所述的一种基于卷积神经网络的水平集目标追踪方法，其特征还在于：

步骤1，对于每个待追踪的视频序列{I₁,...,I_n}，先进行唯一一次的初始化操作；

其中，记初始化操作输入的视频帧为I₁，输入的手工标注的初始化轮廓(即手工标注出的待追踪目标轮廓)为C₁，利用I₁和C₁进行以下操作：

步骤1.1，提取I₁的特征图集F和确定训练的标准结果(Label)y，即：

提取I₁色彩空间特征，记为特征图

提取I₁的梯度方向直方图(Histogram ofGradient，HOG)特征，记为特征图

将I₁输入“VGGnet”卷积神经网络，获取卷积神经网络的不同卷积层特征，记为特征图

则

将C₁的轮廓内部像素值记为1，外部记为-1，则训练的标准结果(与特征图大小一致的二维矩阵)为

步骤1.2，初始化学习系数矩阵(与特征图大小相同的二维矩阵)为1/N，其中N为I1的长乘以宽(即图像大小)，t为接下来循环学习的次数标号；

步骤1.3，对于特征图集F中的每个特征(共循环n_VGG次，即t＝1...n_VGG，循环次数与总特征数相同)，循环以下步骤：

步骤1.3.1，将学习系数归一化，即执行赋值使得学习系数矩阵W^t的所有元素之和为1；

步骤1.3.2，训练Adaboost弱分类器；本方法的弱分类器即矩阵

其中f_t是第t个特征，H_Obj和H_Bg分别为前景(即物体)和背景的灰度分布直方图，H_Obj(f_t)即特征图f_t的像素点的值，对应的直方图H_Obj区间的取值概率，H_Bg(f_t)同理；δ为一个很小的值，防止分母为零或真数为零(本方法取δ＝0.001)；sign(·)为符号函数，自变量为正数或零时取值为1，反之则取值为-1；

步骤1.3.3，计算上一步得到的弱分类器的误差Error：

Error(Wt;ft)=Σi=1Nwit(LIft(i)≠yi)---(2)]]>

其中1≤i≤N同步骤1.2所述，为学习系数矩阵W^t、弱分类器二值图像或标准结果y的像素序号；为步骤1.2中的学习系数；意为逻辑运算，即当两者不等时取1，反之为0；

步骤1.3.4，计算弱分类器权重α_t：

αt=12ln(1-Error(Wt;ft)Error(Wt;ft))---(3)]]>

步骤1.3.5，迭代更新学习系数矩阵W^t，使其中的元素更新为：

wit+1=witexp(-αt(LIft(i)≠yi))---(4)]]>

至此，循环结束；在完成t＝1...n_VGG次循环后，筛选出前T个具有最小Error值的弱分类器(T远小于n_VGG)，则Adaboost强分类器为：

S=sign(Σt=1TαtLIft)---(5)]]>

那么，在经历步骤1.1至1.3后，步骤1的初始化操作结束；通过初始化，可获得一个强分类器S，构成它的一组弱分类器(共T个)，以及的本质——特征图的前景/背景分布直方图H_Obj和H_Bg。