[发明专利]特定对象的目标建议窗口生成方法及其在目标跟踪的应用

说明书

特定对象的目标建议窗口生成方法及其在目标跟踪的应用，涉及计算机视觉技术。给定一帧训练视频，将该图像分成三个区域：完全的目标区域，完全的背景区域以及目标和背景的混合区域。对完全的目标区域和完全的背景区域分别计算目标像素和背景像素的概率分布图，更新目标像素和背景像素的概率分布图模型。给定一帧测试视频，利用训练好的概率分布图来预测图像中每个像素属于目标的概率，得到概率响应图。对原图和概率响应图分别提取目标建议窗口，把这些目标建议窗口都作为候选的目标建议窗口。对得到的目标建议窗口基于与对象的相似度进行排序，生成特定对象的目标建议窗口。把特定对象的目标建议窗口作为MDNET的训练样本实现目标跟踪。

技术领域

本发明涉及计算机视觉技术，尤其是涉及特定对象的目标建议窗口生成方法及其在目标跟踪的应用。

背景技术

人类对外界视频信息感知能力很高，大脑能够快速的对目标进行检测和跟踪。计算机要具有与人类类似的视觉感知能力，就要能够实时地进行目标检测和跟踪。目标检测和跟踪是视觉感知的基础工作，目标检测和跟踪的精度和效率决定了视觉感知的准确性和实时性。目标检测和跟踪技术广泛应用于视频监控、人机交互、虚拟现实和图像压缩等领域，如果计算机具备与人类相似的目标检测和跟踪能力，那么就可以在这些应用领域代替人类，节约了大量的人力成本。因此，对计算机视觉中的目标检测与跟踪技术进行深入研究，不断提高检测精度和速度，具有重要的现实意义。

对于目标类别检测，相关工作一直是计算机视觉的研究热点。特殊类别的目标检测，例如人脸和行人，检测技术已经较为成熟。Viola基于AdaBoost框架，首先基于Haar-like小波特征分类，然后采用滑动窗口搜索策略进行定位。该方法能够很好地检测正面人脸，但对侧脸及其它类别的目标检测效果较差。Dalal基于HOG特征和SVM分类器进行行人检测。然而，目标类别检测更为关注自然图像中一般类别。Felzenszwalb提出了目标类别检测最具影响力的多尺度形变部件模型(DPM)，该方法充分利用了HOG特征和SVM分类器的优点。DPM目标检测器由一个根滤波器和一些部件滤波器组成，组件间的形变通过隐变量进行推理，采用滑动窗口策略在不同尺度和宽高比图像上搜索目标。后续很多工作都是针对DPM目标检测器的改进。Krizhevsky提出基于深度卷积神经网络(DCNN)的目标分类算法，提升了目标检测的准确率。Sermanet基于DCNN框架提出了OverFeat，集识别、定位和检测为一体，为分类训练一个CNN，为每个类的定位训练一个CNN。OverFeat对输入图像采用滑动窗口策略用分类模型确定每个窗口中目标的类别，然后使用对应类别的的定位模型预测目标的包围盒，基于分数为每个类选出候选包围盒，获得最终的检测结果。与OverFeat不同，R-CNN首先采用选择性搜索策略在输入图像上选择若干候选包围盒；然后对每个包围盒利用CNN提取特征，输入到为每个类训练好的SVM分类器，得到包围盒属于每个类的分数；最后，采用非极大值抑制方法(NMS)抑制部分包围盒，得到目标检测结果。尽管基于CNN的方法在目标检测上得到了较高的精度，但是由于网络复杂且计算量大，应用在目标检测上效率并不高。