买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明涉及一种基于神经网络的DCF跟踪置信度评价与分类器更新方法，属于计算机视觉技术领域。首先设计并训练响应图分析网络的小规模卷积神经网络。在相关滤波跟踪中，当分类器与搜索区域的特征进行卷积后，将产生的响应图输入到此网络中，并将输出作为这一帧分类器的跟踪置信度评分。当得分低于预设的低置信阈值时，认为目标受到了剧烈干扰，停止更新，以防止目标模型受污染，并且使更新的学习率与时间间隔受置信分数自适应调整，当分类器连续多帧都取得较高的置信分数时，认为目标外观处于高度相似状态，提高更新的间隔以缓解过拟合现象。本发明方法能够显著增强相关滤波跟踪对光照变化、遮挡、出视野等干扰因素的适应能力，提高空间与时间效率。

主权项：1.一种基于神经网络的DCF跟踪置信度评价与分类器更新方法，其特征在于，包括以下步骤：首先，对进行跟踪置信度评价的卷积神经网络进行设计与训练，该网络称为响应图分析网络，用进行表示；网络训练完毕之后，利用该网络对相关滤波跟踪的跟踪置信度进行评价，对分类器更新的频率与学习率进行调整，包括以下步骤：步骤1：初始化相关滤波跟踪方法在第一帧时，依据给出的目标位置与大小信息，建立训练区域并提取特征，利用此特征初始化分类器；步骤2：建立搜索区域，提取特征在第t-1帧时，得到目标位置与大小信息其中为目标估计位置的中心坐标，a和b为所估计目标的宽与高，以此为中心向外扩展，在第t帧图像上建立搜索区域其中ρ为尺寸扩展的系数；之后，在此位置上，提取目标的特征，包括颜色直方图、方向梯度直方图HOG、分层的深度卷积特征；用xt表示此特征，其尺寸为M×N×D×L，其中M、N、D、L分别代表特征的宽、高、通道数与层数，则xt[d,l]代表第t帧时，搜索区域的第l层第d通道的特征图，其中d∈{1,...,D}，l∈{1,...,L}；步骤3：检测分类器，生成响应图用wt-1代表第t帧前学习到的分类器参数，其与搜索区域特征图具有相同的尺寸，则wt-1[d,l]为与xt[d,l]相对应的第l层第d通道的分类器参数；特征与分类器参数进行傅里叶变换后，使每一层中每个通道上对应的元素互相点乘，再将所有通道的结果依次求和，然后经过傅里叶反变换回到时域，得到每一层的子响应图ft[l]；最后，所有子响应图按照对应的系数γl进行加权融合，得到第t帧时总体的响应图ft： 其中，大写字母W与X表示分类器w与特征x对应的傅里叶变换形式，代表傅里叶反变换操作；将响应图ft上最大响应值的位置索引视为第t帧时目标的估计位置 若此时t等于总的帧数frames，说明相关滤波跟踪已经处理完了整个视频序列，无需再进行跟踪置信度的评价与分类器的更新；步骤4：基于卷积神经网络的相关滤波跟踪置信度评价将所生成的响应图ft输入到训练好的卷积神经网络中，得到其对应的跟踪置信分数设置τl和τs两个长、短时间阈值与和两个高、低跟踪置信分数阈值，其中τlτs，根据τl帧内置信分数的变化情况确定分类器更新频率：长期高置信度更新模式：在τl帧这一长时间段内，所有的置信分数都大于高置信度阈值即对任意的τ∈[0,1,...,τl-1]，都有时，认为目标处于长期高跟踪置信度；每3帧更新一次分类器，更新的学习率的放大倍率α＝α3；短期高置信度更新模式：虽然在τl帧内，不是所有的置信分数都大于高置信阈值但满足对任意的τ∈[0,1,...,τs-1]，都有时，认为目标在τs帧这一短时间段内，处于短期高置信度；每2帧更新一次分类器，学习率的放大倍率α＝α2；如果不满足长期高置信度更新模式和短期高置信度更新模式中的条件，但如果此时的置信分数仍大于低置信阈值即认为目标受到了一定干扰，但是对定位精度影响不大，目标与分类器仍然能够较好匹配，此时每帧更新一次分类器，放大倍率α＝α1；当第t帧的置信分数不超过低置信度阈值即时，分类器处于低置信度状态，认为目标发生光照变化、形变、严重遮挡，分类器与目标的匹配程度下降，跟踪结果不再可靠；此时不再更新分类器，跳过更新步骤5，直接读入下一帧图像，返回步骤2；更新的学习率根据下式自适应求得： 其中，C为偏置的常数；步骤5：基于跟踪置信分数，更新自适应分类器在步骤4中，根据跟踪置信度的变化情况确定这一帧进行分类器更新后，以第t帧的估计位置为中心，在图像上扩展出训练区域然后提取其特征图xt'，通过最小化下式得到每一层的第t帧的分类器参数wt'[l]： 其中，λ为正则化参数，y为高斯函数生成的软标签： 其中σ为高斯带宽，此标签的形状是一个峰值位于中心处的二维高斯函数，该最小化问题的闭式解表示为： 其中，Y为软标签y的傅里叶变换形式，*代表矩阵的复共轭，分子分母进行的是按元素点除操作；新分类器参数，由前t-1帧的分类器和第t帧的分类器的分子与分母进行滑动平均得到： At[d，l]＝1-ηAt-1[d，l]+ηY*⊙Xt′[d，l]8

全文数据：

权利要求：

百度查询： 北京理工大学 基于神经网络的DCF跟踪置信度评价与分类器更新方法