[发明专利]一种对象标签引导的自适应视频目标跟踪方法

权利要求书

1.一种对象标签引导的自适应视频目标跟踪方法，其特征在于，其步骤如下：

步骤一：利用人工标注的方式标注出视频序列中的第一帧图像的目标图像块，并利用VGG16深度网络提取目标图像块的深度特征，将目标图像块的深度特征作为目标模板；

步骤二：读取视频序列的下一帧图像作为当前帧图像，利用VGG16深度网络提取当前帧图像的深度特征，将当前帧图像的深度特征作为当前帧图像在特征空间的特征图；

步骤三：利用RPN网络将当前帧图像转化到图像空间上，得到图像空间下的全局对象信息集，并对全局对象信息集中的对象进行筛选得到当前帧图像在图像空间的对象信息集；

步骤四：根据当前帧图像在图像空间的对象信息集利用Wang-Landau蒙特卡洛对特征空间的特征图进行采样，得到样本集；

S41、初始化特征空间下Wang-landau蒙特卡洛的采样参数：设置初始采样次数k＝1、最大采样次数iter、高斯方差为σ、修正因子f；将特征空间的特征图[m,n,G]均匀分成d个子区域，子区域的大小均为[x,y,G]，建立各子区域的直方图为子区域的索引值，并初始化每个子区域的态密度为1、子区域似然度为1/d、直方图为0，其中，m为特征图的宽度，n为特征图的高度，G为特征图的维度，x为子区域的宽度，y为子区域的高度；

S42、根据当前帧图像的上一帧图像的目标位置初始化当前帧图像在特征空间中第一个样本，并将第一个样本加入样本集；

S43、根据样本集中的新加入的一个样本的高斯分布在特征空间上采用大方差高斯分布生成当前帧图像的候选样本位置，候选样本位置满足如下方程：

其中，为横坐标方向的高斯分布的条件概率，为纵坐标方向的高斯分布的条件概率，G(·)表示高斯分布函数，为候选样本的横坐标，为候选样本的纵坐标，为上一个样本的横坐标，为上一个样本的纵坐标，为特征空间中横坐标方向的高斯分布的方差，为特征空间中纵坐标方向的高斯分布的方差；

S44、将图像空间下对象信息集的对象信息r^*与特征空间一一对应，计算候选样本所属子区域的对象标签：

其中，Obj(S_i’’)为候选样本所属子区域的对象标签，Z_t为归一化系数，为候选样本，为候选样本的横坐标，为候选样本的纵坐标，V(X_t')为候选样本X_t'的对象得分，S_i'为候选样本X_t'所处的子区域，τ为调节系数；

S45、利用子区域的对象标签对Wang-landau蒙特卡洛的采样公式进行改进，得到接收函数：

其中，a为候选样本X_t'的接受概率，p(B_t,X_t')为当前帧图像下的目标模板B_t与候选样本X_t'之间的似然值，p(B_t,X_t)为当前帧图像下的目标模板B_t与上一个样本X_t之间的似然值，为上一个样本的横坐标，为上一个样本的纵坐标，Obj(S_i')为上一个样本所属子区域的对象标签，g(S_i’’)为子区域S_i’’的态密度值，g(S_i')为子区域S_i'的态密度值，Q(X_t；X_t')，Q(X_t'；X_t)均为高斯分布的条件概率；

S46、判断候选样本X_t'的接受概率a是否大于一个在[0,1]范围内产生的随机数，若是，将候选样本X_t'添加入样本集中，执行步骤S47，否则，删除候选样本，执行步骤S48；

S47、对加入样本集后的样本所处子区域的态密度进行更新：

g(S_i')←g(S_i')×f，

其中，修正因子f大于1；若本次采样使直方图h(S_i)平坦，则通过对修正因子进行调整，同时直方图被清零，若本次采样未使直方图平坦，则对直方图进行更新：h(S_i')←h(S_i')+1，其中，h(S_i')为直方图；

S48、采样次数k＝k+1，判断k是否达到最大采样次数iter，若是，结束采样，得到当前帧图像的样本集，否则，返回步骤S43；

步骤五：根据样本集中每个样本与目标模板之间的似然值对样本进行最大后验估计，得到当前帧图像在特征空间的目标；

步骤六：计算第2帧图像到当前帧图像的前一帧图像的目标对应的似然值的平均值M，并判断当前帧图像在特征空间的目标对应的似然值M_t是否大于0.8*M，若是，用当前帧图像在特征空间的目标更新目标模板，并将目标模板对应到图像空间中输出跟踪结果，否则，返回步骤二，直至遍历完视频序列。