[发明专利]基于深度迁移学习的目标跟踪方法

说明书

本发明提供了一种基于深度迁移学习的目标跟踪方法，涉及数据处理技术领域。该方法包括离线训练和在线跟踪两个阶段。离线训练阶段基于辅助图像数据，利用深度卷积神经网络获取通用目标的先验结构特征信息；然后采用迁移学习将获取的先验结构特征信息迁移到在线跟踪过程中。在线跟踪阶段结合离线学习获得的先验结构特征信息和Haar特征以及图像灰度特征，采用结构稀疏表示和基于多子空间的字典模板技术，建立一种基于深度迁移学习的目标跟踪模型，获取最终的目标跟踪结果。该方法充分利用了视频图像数据的先验结构特征信息，并融合了在线跟踪阶段获取的特征信息，可较好地减轻跟踪的漂移问题，提高目标跟踪的鲁棒性。

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种基于深度迁移学习的目标跟踪方法。

背景技术

随着高性能计算机和高质量摄像终端的增多，以及智能视频分析需求的增长，视觉目标跟踪技术引起人们越来越多的关注，并且在军事和民用的诸多领域(智能安防系统、智能交通系统、精确制导系统、医学诊断、航空航天)等都具有极为广泛的应用前景。

视觉目标跟踪的主要过程是对视频或图像序列进行处理，在对感兴趣的目标进行特征提取、目标定位、跟踪检测以及分类识别后，最后获取目标的位置或运动参数。这些信息可用来执行更高级的视觉任务，如目标行为的分析和理解、场景分析、运动模式分类以及目标的行为趋势预测等。视觉目标跟踪技术是目前机器视觉研究的热点之一。虽然研究人员提出了许多目标跟踪方法，这些方法在一定范围内已经取得了良好的效果，但是仍然存在很多问题有待进一步解决。如在目标的背景、形态、姿势、大小和光照条件发生强烈变化的情况下，对目标进行稳健、实时的跟踪就有非常大的挑战性。常用的视觉目标跟踪方法包括产生式跟踪方法和判别式跟踪方法两大类。

产生式跟踪方法主要关注如何精确地拟合源自目标表观的数据。如基于核的目标跟踪方法、增强视觉跟踪方法、基于L1稀疏表示的跟踪方法、多任务跟踪方法以及基于软阈值的均方跟踪方法等。这类目标跟踪方法通过采用均值漂移、稀疏表示、在线增量学习等技术，较好地拟合了目标表观数据，取得了相对鲁棒的目标跟踪性能。然而，由于目标表观并没有特定的形式，在实际应用中验证产生式跟踪方法的正确性极其困难，而且在参数估计(例如期望最大化方法)过程中经常受到局部极值的影响。为了适应目标的表观变化，此类方法一般通过在线更新机制，增量地学习目标区域的目标表示，但是忽略了背景信息，而且计算量也较大。因此，此类方法通常无法处理背景区域中与目标具有相似表观的物体的干扰。

判别式跟踪方法将视觉目标跟踪视为一个二分类问题，而且大多数该类方法基于跟踪-检测(tracking-by-detection)的框架，如多示例学习跟踪方法、基于压缩感知的目标跟踪方、Struck方法、基于在线可区分特征选择的方法、基于核相关滤波的跟踪方法、基于低秩稀疏表示的目标跟踪方法等。判别式跟踪方法的主要目的是最大化目标与非目标区域的差异，同时也关注于挖掘高信息量的特征用于视觉目标跟踪。考虑到计算效率，此类方法通常使用在线方法增量地学习判别目标与非目标的分类函数。判别式跟踪方法虽然可以更好地适应场景的变化，能将目标从背景中分离出来。但是该类跟踪方法的不足是很大程度上依赖于大量地训练样本来拟合目标表观的数据分布。

因此，现有的目标跟踪方法难以实现对目标的准确跟踪。

发明内容

有鉴于此，本发明提供了一种基于深度迁移学习的目标跟踪方法。

本发明提供的技术方案如下：

一种基于深度迁移学习的目标跟踪方法，包括：

获取视频图像序列，确认所述视频图像序列是否为第一帧视频图像；

若所述视频图像序列为第一帧视频图像，对所述视频图像序列进行离线训练处理；

若所述视频图像序列不是第一帧视频图像，对所述视频图像序列进行在线跟踪处理；

确认所有候选样本是否处理完成，若所有候选样本都处理完成，结束跟踪；