[发明专利]基于孪生神经网络线性表示模型的在线稀疏原型跟踪方法

权利要求书

1.一种基于孪生神经网络线性表示模型的在线稀疏原型跟踪方法，其特征在于，包括：

在离线跟踪阶段，基于图像混合方法将不同图片进行线性叠加，得到第一数量个带有语义信息的复杂背景图片；

在在线跟踪阶段，通过在线稀疏原型跟踪在外观模型上建模，利用正交子空间基向量和琐碎模板组成的原型来稀疏地线性表示被跟踪目标；

基于观测模型和观测似然函数输出遮挡跟踪结果；

在离线跟踪阶段，基于图像混合方法将不同图片进行线性叠加，得到第一数量个带有语义信息的复杂背景图片，具体包括：

保留模板图像不变，将不同视频的搜索图像进行叠加即获取模板图像帧、当前图像帧和预设的加权系数进行线性叠加和图像融合，得到带有语义信息的复杂背景图片；

通过在线稀疏原型跟踪在外观模型上建模，具体包括：

标记目标的初始区域，提取相关特征，建立初始的外观模型；

根据上一帧目标的位置预测当前帧目标出现区域的运动模型；

利用所述外观模型验证所述运动模型预测区域是被跟踪目标的区域，得到目标图像区域；

在获取当前帧的目标区域后，提取目标区域和背景区域的图像特征，并基于模型更新算法在线更新所述外观模型；

利用正交子空间基向量和琐碎模板组成的原型来稀疏地线性表示被跟踪目标，具体包括：

基于迭代算法对目标函数进行有效迭代求解，直至满足终止准则，输出结果，所述终止准则为两次迭代目标含糊变化小于目标阈值或达到预设的目标迭代次数；

基于观测模型和观测似然函数输出遮挡跟踪结果，具体包括：

利用仿射参数采样机制作为运动模型建立观测模型；

利用稀疏原型表示跟踪的目标和惩罚稀疏噪声项建立基于重构误差准则的观测似然函数；

根据观测似然函数并采用增量主成分分析法更新观测模型，输出跟踪结果；

根据观测似然函数并采用增量主成分分析法更新观测模型，输出跟踪结果，具体包括：

获取稀疏误差项，判断稀疏误差项是否等于零；

判断遮挡率指标是否小于第一阈值；

若遮挡率指标小于第一阈值，则目标未被遮挡，直接存储观测图像样本更新模型；

若遮挡率指标大于或等于第一阈值，则判断遮挡率指标是否小于第二阈值；

获取稀疏误差项，判断稀疏误差项是否等于零，具体包括：

若稀疏误差项等于零，则指示向量为1；

若稀疏误差项不等于零，则指示向量为0；

判断遮挡率指标是否小于第二阈值，具体包括：

若遮挡率指标小于第二阈值，则目标受到严重遮挡，不更新模型；

若遮挡率指标大于或等于第二阈值，则目标受到部分遮挡，获取观测样本中被遮挡的像素利用均值向量对应的像素进行替换存储更新模型。