[发明专利]基于生成对抗网络负样本增强的人体目标跟踪方法

权利要求书

1.一种基于生成对抗网络负样本增强的人体目标跟踪方法，其特征在于，包括以下步骤：

S1：分别对构建的DRAGAN网络模型和MDNet算法模型进行预训练；

S2：在首帧包含人体目标的图像中标定人体目标的目标矩形框，根据目标矩形框在首帧图像上采集得到若干正样本和负样本，对MDNet算法模型进行初始化；分别从以上正样本和负样本中选择部分样本添加至MDNet算法模型的样本队列S，将以上所有正样本保存至DRAGAN网络模型的训练数据集T；

S3：判断是否达到DRAGAN网络模型的更新周期，如果未达到，进入步骤S4，否则进入步骤S5；

S4：采用MDNet算法模型对当前帧图像进行人体目标跟踪，如果跟踪成功，根据跟踪结果采集获得若干正样本和若干负样本添加至样本队列S，另外将所采集的正样本添加至DRAGAN网络模型的训练数据集T中；然后判断是否达到MDNet算法模型的长期更新周期，如果未到达，则不作任何操作，否则利用样本队列中的全部样本对MDNet算法模型进行长期更新训练；如果跟踪失败，采用样本队列中的部分样本对MDNet算法模型进行更新训练；返回步骤S3；

S5：利用训练数据集T中的数据对DRAGAN网络模型进行首次更新训练；

S6：对当前帧采用MDNet算法模型进行人体目标跟踪；

S7：判断步骤S6中是否跟踪成功，如果不成功，进入步骤S8，否则进入步骤S9；

S8：采用样本队列中的部分样本对MDNet算法模型进行更新训练，返回步骤S6；

S9：将样本队列S中的负样本全部清除；

S10：根据跟踪结果采集获得若干正样本和若干负样本添加至样本队列S，将所采集的正样本添加至DRAGAN网络模型的训练数据集T中；采用DRAGAN网络模型中的生成器网络生成若干样本，作为负样本添加至样本队列S；

S11：判断是否达到MDNet算法模型的长期更新周期，如果未到达，则不作任何操作，否则利用样本队列S中的全部样本对MDNet算法模型进行长期更新训练；

判断是否达到DRAGAN模型的更新周期，如果未到达，则不作任何操作，否则利用训练数据集T中的数据对DRAGAN网络模型进行更新训练；

S12：对当前帧采用MDNet算法模型进行人体目标跟踪；

S13：判断步骤S12中是否跟踪成功，如果不成功，进入步骤S14，否则返回步骤S10；

S14：采用样本队列中的部分样本对MDNet算法模型进行更新训练，返回步骤S12。

2.根据权利要求1所述的人体目标跟踪方法，其特征在于，所述DRAGAN网络模型的结构如下：

生成器网络包含一个线性单元和四层反卷积层，线性单元的输入为100维的随机噪声，线性单元包括线性变换、实例规范化处理以及ReLU激活函数，输出维度为1*8192，然后将维度变换为1*512*4*4输入至第一层反卷积层；四层反卷积层依次连接，前三层包括反卷积、批规范化处理以及ReLU激活函数，最后一层包括反卷积和Tanh激活函数，反卷积操作的参数相同，卷积核大小为5*5，卷积核移动步幅为2，特征图边界填充为2，无偏置；生成器网络的输出特征图维度为1*3*64*64，输入至判别器网络；

判别器网络包含五层卷积层结构，其中第一层包括卷积和LeakyReLu激活函数，第二层到第四层包括卷积、实例规范化处理以及LeakyReLU激活函数，最后一层仅包含卷积操作；前四层卷积操作的参数相同，卷积核大小为5*5，卷积核移动步幅为2，特征图边界填充为2，无偏置；最后一层的卷积操作使用大小为5*5的卷积核，卷积核移动步幅为1，无边界填充和偏置。

3.根据权利要求2所述的人体目标跟踪方法，其特征在于，所述判别器网络训练时使用融合了Sigmoid激活函数层的交叉熵损失函数。