基于复合深度神经网络的运动跟踪方法
【技术领域】
[0001] 本发明涉及一种物体的运动跟踪方法，特别涉及一种基于复合深度神经网络的运 动跟踪方法，它是一种利用深度神经网络检测目标的跟踪方法。
【背景技术】
[0002] 运动跟踪由于受到遮挡、光照强度变化、面内旋转、面外旋转、背景杂波等影响被 认为是一项极具挑战的任务，也是计算机视觉的重要组成部分。运动跟踪可被广泛应用与 多个领域，如视频监控、智能交通、产品检测、异常行为检测。尽管有大量模型被提出，但是 几个关键的问题仍然没得到充分的解决。
[0003] -个运动跟踪系统一般由两个模型组成：观测模型和动态模型。观测模型是描述 目标物体的模型。动态模型用来确定物体状态及状态的转换。在跟踪系统中观测模型是极 为重要的，模型精度对跟踪效果影响极大。精确的观测模型可以提升跟踪成功率(success rate)，降低中心位置误差（center-of-location error)。
[0004] 深度学习跟踪器(deep learning tracker)在跟踪中使用深度神经网络做为观测 模型。由于在深度神经网络中使用过完备向量基，调节过程中的计算量巨大。因此深度学习 跟踪器的速度往往难以接受。在跟踪过程中深度学习跟踪器使用BP算法进行调节。由于过 深的网络使用BP算法训练会产生梯度扩散的问题(梯度扩散是在用BP算法调节网络时，损 失函数的偏导随着反向传播而显著减小。当网络层数较深时下层的网络权值调节速度很 慢），网络下层的权值往往得不到充分的调节。
【发明内容】
[0005] 本发明针对现有技术的不足，提出一种基于复合深度神经网络的运动跟踪方法， 该方法能够减少计算量，加快跟踪速度，保证跟踪成功率，降低中心位置误差。从而使运动 跟踪更加精确，更加快速。
[0006] 为了解决上述存在的技术问题，本发明是通过以下技术方案实现的：一种基于复 合深度神经网络的运动跟踪方法，该方法内容包括包括以下步骤：
[0007] 步骤1离线训练：
[0008] 由于需要跟踪不同物体，在使用观测模型之前需要能够快速适应不同目标的权 值，因此需要使用大量样本对其权值进行离线训练；由于过完备基向量在训练和跟踪过程 中消耗了大量的计算量，所以去掉过完备基向量来简化网络的结构，使用结点数量递减的 神经网络；
[0009] 步骤2模型初始化：
[0010]用离线训练所得网络顶端添加logistic分类器，使其能够区分目标与背景，并设 置调节网络的参数；
[0011] 步骤3自适应调节：
[0012] 在跟踪过程中物体外观发生变化时往往导致跟踪发生漂移，因此，观测模型需要 在跟踪过程中进行调节;在第一帧时，对第一帧进行自适应调节，用目标和背景样本对网络 进行调节，使网络能够识别目标；
[0013] 步骤4目标跟踪：
[0014] 将观测模型和动态模型结合，动态模型使用粒子滤波算法;粒子滤波在新一帧中 以上一帧目标为中心采集粒子，将采集到的粒子交给观测模型，观测模型判断粒子的置信 度，置信度最大的粒子即为目标。
[0015] 其中，在步骤3中，所述对第一帧进行自适应调节，其调节过程步骤如下：
[0016] 1)输入:采集的正负样本及标签3={(11，71)，......，（xn，y n)}，其中yi = {〇, 1}分 别对应正样本和负样本；
[0017] 2)参数设定:设定降噪自动编码和BP算法的重构误差最小阈值aD和αΒ、最大训练次 数ft)和βΒ、学习率λ[)和λ Β、冲量mD和Π1Β和权重惩罚系数WD和WB，降噪自动编码的噪音系数Φ ;
[0018] 3)复合训练:执行DCTtrain(NN，X，Y，opts)过程，使用降噪自动编码训练最底层网 络和使用BP算法训练更高层的网络;当重构误差Ε<α时或训练次数T 2 β时，训练结束； [0019] 跟踪过程中的自适应调节过程只执行3)。
[0020] 本发明与现有技术：
[0021] 由于采用上述技术方案，本发明提供的一种基于复合深度神经网络的运动跟踪方 法，与现有技术相比具有这样的的优点：
[0022] (1)使用两种网络复合的方法在一定程度上消除了网络自适应中的梯度扩散问 题，使得底层网络得到更有效的训练。
[0023] (2)简化网络结构，使用结点数量递减的神经网络代替过完备基向量，使得网络训 练和跟踪速度大大加快。复合网络的应用可以提取到更有效的特征拟补了去掉过完备基向 量后精度受到影响的问题，使得本发明具有较高的实时性和鲁棒性。
【附图说明】
[0024] 图1为本发明的使用基于复合深度神经网络的运动跟踪方法的流程图；
[0025]图2为自适应调节流程图；
[0026] 图3为自适应调节过程中复合训练流程图；
[0027] 图4为自适应调节过程中降噪自动编码训练流程图；
[0028]图5为自适应调节过程中ΒΡ算法流程图。
【具体实施方式】
[0029] 下面结合视频序列"woman"的运动跟踪过程对本发明方法作进一步的说明：
[0030] 本发明使用基于复合深度神经网络的运动跟踪方法，如图1所示，其具体内容包含 以下步骤：
[0031] 步骤1离线训练：
[0032] 由于需要跟踪不同物体，在使用观测模型之前需要能够快速适应不同目标的权 值，因此需要使用大量样本对其权值进行离线训练；由于过完备基向量在训练和跟踪过程 中消耗了大量的计算量，所以去掉过完备基向量来简化网络的结构，使用结点数量递减的 神经网络；
[0033] 步骤2模型初始化：
[0034] 用离线训练所得网络顶端添加logistic分类器，使其能够区分目标与背景，并设 置调节网络的参数；
[0035] 步骤3自适应调节：
[0036] 在跟踪过程中物体外观发生变化时往往导致跟踪发生漂移，因此，观测模型需要 在跟踪过程中进行调节;在第一帧时，对第一帧进行自适应调节，用目标和背景样本对网络 进行调节，使网络能够识别目标；
[0037] 步骤4目标跟踪：
[0038] 将观测模型和动态模型结合，动态模型使用粒子滤波算法;粒子滤波在新一帧中 以上一帧目标为中心采集粒子，将采集到的粒子交给观测模型，观测模型判断粒子的置信 度，置信度最大的粒子即为目标。
[0039] 其中，在步骤3中，所述对第一帧进行自适应调节，其流程图如图2所示，其调节过 程步骤如下：
[0040] 1)输入:采集的正负样本及标签3={(11，71)，...