...，（xn，y n)}，其中yi = {〇, 1}分 别对应正样本和负样本；
[0041] 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λΒ、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 ; [0042] 3)复合训练:执行DCTtrain(NN，X，Y，opts)过程，即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时或训练次数时，训练结束；
[0043] 跟踪过程中的自适应调节过程只执行3)。
[0044] 以上步骤1)一一步骤3)所述是自适应调节训练的整体过程。在步骤3)复合训练 中，所述的执行DCTtrain(NN，X，Y，opts)过程，这里将详细说明DCTtrain(NN，X，Y，opts)的 具体实施步骤如下，如图3所示：
[0045] (1)输入:输入变量为DCTtrain(NN，X，Y，opts)中所示，其中NN表示离线训练后的 神经网络，X表示目标和背景样本集合，Y表示样本的标签，其顺序和样本--对应，opts表 示设定的参数；
[0046] (2)在最底层使用降噪自动编码训练，如图4所示：
[0047] ①参数设定:用opts中的参数对网络参数进行设置
[0048] ②网络训练：
[0049] a.根据噪音系数污染样本
[0050] b.由污染样本通过网络向前传播得到重构图像ζ:
[0051] v = /；;(x)z = ge-(y)
[0052] 并得到重构误差：
[0053]
[0054] c.由重构误差经过反向传播更新权值；
[0055] d.重复以上过程直到重构误差小于阈值aD或达到最大训练次数fo;
[0056] e.将样本通过网络得到第一隐层输出a，其将作为更高层的输入；
[0057] (3)在更高层使用BP算法训练，如图5所示：
[0058] ①参数设定:用opts中的参数对网络参数进行设置；
[0059]②网络训练:使用BP算法训练；
[0060]③重复训练过程直到重构误差小于阈值αΒ或达到最大训练次数βΒ。
[0061]本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。 [0062]尽管为说明目的公开了本发明的最佳实施例和附图，但是本领域的技术人员可以 理解:在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能 的。因此本发明不应局限于最佳实施例和附图所公开的内容。
【主权项】
1. 一种基于复合深度神经网络的运动跟踪方法，其特征在于：该方法内容包括包括W 下步骤： 步骤1离线训练： 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W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； 步骤2模型初始化： 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； 步骤3自适应调节： 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;在第一帖时，对第一帖进行自适应调节，用目标和背景样本对网络进行 调节，使网络能够识别目标； 步骤4目标跟踪： 将观测模型和动态模型结合，动态模型使用粒子滤波算法;粒子滤波在新一帖中W上 一帖目标为中屯、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。2. 根据权利要求1所述的一种基于复合深度神经网络的运动跟踪方法，其特征在于:在 步骤3中，所述对第一帖进行自适应调节，其调节过程步骤如下： 1) 输入:采集的正负样本及标签S={(xi，yi),......，（^，7。）}，其中71={0，1}分别对 应正样本和负样本； 2) 参数设定:设定降噪自动编码和BP算法的重构误差最小阔值QD和QB、最大训练次数化 和陆、学习率^和人6、冲量皿和HlB和权重惩罚系数WD和WB，降噪自动编码的噪音系数4 ; 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E<a时或训练次数T >削寸，训练结束； 跟踪过程中的自适应调节过程只执行3)。3. 根据权利要求1所述的一种基于复合深度神经网络的运动跟踪方法，其特征在于:在 步骤3)复合训练中，所述的执行DCTtrain(順，X，Y，opts)过程，运里将详细说明DCTtrain (順,X,Y,opts)的具体实施步骤如下： (1) 输入:输入变量为DCTtrain(順，X，Y，opts)中所示，其中順表示离线训练后的神经 网络，X表示目标和背景样本集合，Y表示样本的标签，其顺序和样本--对应，opts表示设 定的参数； (2) 在最底层使用降噪自动编码训练： ① 参数设定:用opts中的参数对网络参数进行设置 ② 网络训练： a. 根据噪音系数污染样本X~X~； b. 由污染样本通过网络向前传播得到重构图像Z : 并得到重构误差：C.由重构误差经过反向传播更新权值； d. 重复W上过程直到重构误差小于阔值QD或达到最大训练次数化； e. 将样本通过网络得到第一隐层输出a,其将作为更高层的输入； (3)在更高层使用BP算法训练： ① 参数设定:用opts中的参数对网络参数进行设置； ② 网络训练:使用BP算法训练； ③ 重复训练过程直到重构误差小于阔值啡或达到最大训练次数陆。
【专利摘要】本发明公开了一种基于复合深度神经网络的运动跟踪方法，其内容包括：使用大量样本对其权值进行离线训练；使用结点数量递减的神经网络；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；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；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。
【IPC分类】G06T7/20
【公开号】CN105654509
【申请号】
【发明人】闻佳, 卢海涛, 赵纪炜
【申请人】燕山大学
【公开日】2016年6月8日
【申请日】2015年12月25日