仿生模式識別目標自適應跟蹤方法技術

本發明專利技術公開一種仿生模式識別目標自適應跟蹤方法，主要解決現有技術中魯棒性較差、對訓練樣本多樣性要求較高的問題。其實現步驟為：(1)獲取訓練樣本集；(2)提取訓練樣本特征；(3)依據訓練樣本灰度特征建立超香腸神經網絡，依據訓練樣本編號特征和訓練樣本尺寸特征建立徑向基神經網絡；(4)計算超香腸神經網絡與搜索區域中所有候選區域之間的歐式距離；(5)采用最小距離法獲取目標位置；(6)獲得目標位置在超香腸神經網絡中的編號，并將其輸入徑向基神經網絡獲得目標尺寸。本發明專利技術通過對訓練樣本集中的訓練樣本進行覆蓋式訓練，提高了目標跟蹤的魯棒性，減少了對訓練樣本多樣性的依賴，可用于智能機器人、智能交通系統和視頻監控等領域。

【技術實現步驟摘要】

本專利技術屬于目標跟蹤領域，更進一步涉及一種，可用于智能機器人、智能交通系統和視頻監控等領域。
技術介紹
目標跟蹤即依據事先給定的目標模板的某些特征如灰度特征、顏色特征、紋理特征、邊緣特征等，采用模式識別方法在待跟蹤視頻圖像中搜索目標，確定目標在視頻圖像中的位置信息和狀態信息。現有的模式識別方法有模板匹配方法、Back Propagation神經網絡方法等傳統模式識別方法。天津工業大學提出的專利申請“一種基于模板匹配的目標跟蹤方法”(專利申請號201010529681. 2，公開號CN102004898A)公開了一種基于模板匹配的目標跟蹤方法。該方法將模板匹配方法的平移不變性與圓形模板的旋轉不變形相結合，在目標發生較小變化時可以精確跟蹤到目標。該方法仍存在的不足是對目標的學習能力不足，在目標狀態發生較大變化時穩定跟蹤的魯棒性較差。上海交通大學提出的專利申請“基于神經網絡的機動目標精確跟蹤方法”(專利申請號02112061. 7，公開號CN1382997)公開了一種基于神經網絡的機動目標精確跟蹤方法。該方法采用訓練Back Propagation神經網絡調整系統的方法以適應目標的運動變化，對各種運動狀態的機動目標具有良好自適應跟蹤能力。該方法仍然存在的不足是基于分類劃分的Back Propagation神經網絡必須對多種不同狀態的訓練樣本進行學習，產生劃分的最優分界面才能完成對目標的精確識別，因此對訓練樣本的多樣性要求較高。傳統模式識別方法應用在目標跟蹤上存在兩個缺陷一是不具有學習能力的傳統模式識別方法，例如模板匹配方法，在目標狀態發生較大變化時魯棒性較差；二是具有學習能力的傳統模式識別方法，例如Back Propagation神經網絡，必須對多種狀態的訓練樣本進行學習，以產生劃分的最優分界面，因此對訓練樣本的多樣性要求較高。
技術實現思路
本專利技術的目的在于針對現有傳統模式識別方法在目標跟蹤中存在的不足，提出一種，通過對訓練樣本集中的訓練樣本進行覆蓋式訓練，提聞目標跟蹤的魯棒性和穩定性，減少對訓練樣本多樣性的依賴。實現本專利技術的思路是從訓練樣本集中提取訓練樣本特征，建立超香腸神經網絡和徑向基神經網絡，使用歐式距離度量法則在搜索區域內搜索目標，計算超香腸神經網絡中擴展樣本與搜索區域中測試樣本之間的歐式距離，采用最小距離法獲得目標位置，將目標位置在超香腸神經網絡中的編號輸入徑向基神經網絡獲得目標尺寸，從而實現目標的自適應跟蹤。具體實現步驟包括如下(I)輸入一段視頻，采用隔幀抽取的方式選擇n幀圖像，以每幀圖像中目標區域為中心截取訓練樣本，得到n個訓練樣本，分別將其編號為1，2，. . .，n，組成訓練樣本集；(2)從訓練樣本集中提取訓練樣本特征，其特征包括訓練樣本編號特征、訓練樣本灰度特征和訓練樣本目標尺寸特征；(3)建立超香腸神經網絡和徑向基神經網絡3a)設定覆蓋參數a = 0. 05,覆蓋間隔k = I/a，徑向基函數個數m = 10 ;3b)采用向量化方法和標準化方法對訓練樣本灰度特征進行預處理，并按照覆蓋參數a進行加權訓練，得到擴展訓練樣本，將所有擴展訓練樣本組合形成超香腸神經網絡H，再將超香腸神經網絡H中所有的擴展樣本依次編號作為超香腸神經網絡編號特征；3c)依據覆蓋間隔k更新訓練樣本編號特征，將更新后的訓練樣本編號特征與訓練樣本目標尺寸特征一起輸入到具有m個互相連接的徑向基函數R內進行訓練，獲得徑向基神經網絡W ;(4)使用歐式距離度量法則在搜索區域內搜索目標4a)輸入一幀視頻圖像作為搜索區域；4b)在搜索區域內，逐像素選擇與訓練樣本集中訓練樣本同尺寸的區域作為候選區域，提取候選區域灰度特征，按照步驟3b)的方法對候選區域灰度特征進行預處理后得到測試樣本，計算測試樣本與超香腸神經網絡H中所有擴展樣本之間的歐式距離，得到一組超香腸距離；4c)記錄搜索區域內每一候選區域的最小超香腸距離，得到搜索區域距離，記錄最小超香腸距離在超香腸編號特征中的編號，得到搜索區域編號；(5)取搜索區域距離中具有最小距離的位置作為目標位置；(6)取得搜索區域編號中目標位置處的編號，輸入到徑向基神經網絡W，得到目標尺寸；(7)在輸入的該幀視頻圖像中標記出目標位置和目標尺寸，重復步驟(4)-步驟(6)，直至視頻結束。本專利技術與現有技術相比有以下優點第一，由于本專利技術采用超香腸神經網絡對訓練樣本進行覆蓋式訓練，克服了傳統模式識別方法在目標跟蹤中魯棒性較差、對訓練樣本多樣性要求高的缺點。第二，由于本專利技術采用基于徑向基神經網絡對訓練樣本目標尺寸特征進行訓練，結合最小距離法獲得視頻圖像中的目標尺寸，克服了現有技術在計算目標尺寸時對圖像質量要求較高的缺點。附圖說明圖1為本專利技術的流程圖；圖2為本專利技術使用的卡車視頻中抽取的20幀圖像；圖3為本專利技術使用的卡車視頻的訓練樣本集；圖4為用本專利技術對卡車視頻的仿真結果圖。具體實施措施下面結合附圖對本專利技術做進一步描述，并給出卡車視頻作為實施例進行說明，但不局限于這種視頻。參照圖1，對本專利技術的具體實現如下:步驟1，輸入一段視頻，獲取訓練樣本集:Ia)輸入大小為512X384像素、長度為1000幀的卡車視頻；Ib)從卡車視頻的第0幀開始每隔50幀抽取一幀圖像，共抽取20幀圖像，如圖2所示；Ic)從每幀圖像中以目標區域為中心截取尺寸為80X90像素的區域作為一個訓練樣本，共得到20個訓練樣本，組成訓練樣本集，如圖3所示。步驟2，從訓練樣本集中提取訓練樣本特征:2a)將訓練樣本集中的訓練樣本依次編號，第i個訓練樣本編號為i =0,1,-.., 19，用訓練樣本編號i作為提取的訓練樣本編號特征A，則訓練樣本編號特征A可以表示為 A= {0, I,..., 19}；2b)將訓練樣本集中的訓練樣本由RGB圖像轉換為灰度圖像，RGB圖像中R表示紅色通道、G表示綠色通道，B表示藍色通道，灰度圖像中只有灰度通道，將灰度通道作為提取的訓練樣本灰度特征B，訓練樣本灰度特征B可以表示為B=Lbtl,匕，...b19，其中匕表示編號為i的訓練樣本灰度特征，i = 0, I,-.., 19 ；2c)截取訓練樣本集中每個訓練樣本的目標區域，將目標區域的尺寸作為提取的訓練樣本目標尺寸特征C，訓練樣本目標尺寸特征C可以表示為C = [c0, C1,..., C19]，其中Ci表示編號為i的訓練樣本目標尺寸特征，i = 0，1，...，19。步驟3，建立超香腸神經網絡H和徑向基神經網絡W:3a)設定覆蓋參數a = 0.05,覆蓋間隔k = I/a ,徑向基函數個數r = 10 ；3b)將訓練樣本灰度特征B中每個訓練樣本灰度特征匕按照先行后列順序轉換為向量的形式，得到訓練樣本向量B' = [b'19]，并采用如下轉換公式對其進行轉換，得到預處理后訓練樣本B = [b/ b b 19]:本文檔來自技高網...

【技術保護點】
一種仿生模式識別目標自適應跟蹤方法，包括以下步驟：(1)輸入一段視頻，采用隔幀抽取的方式選擇n幀圖像，以每幀圖像中目標區域為中心截取訓練樣本，得到n個訓練樣本，分別將其編號為1,2,...,n，組成訓練樣本集；(2)從訓練樣本集中提取訓練樣本特征，其特征包括：訓練樣本編號特征、訓練樣本灰度特征和訓練樣本目標尺寸特征；(3)建立超香腸神經網絡和徑向基神經網絡：3a)設定覆蓋參數α＝0.05，覆蓋間隔k＝1/α，徑向基函數個數m＝10；3b)采用向量化方法和標準化方法對訓練樣本灰度特征進行預處理，并按照覆蓋參數α進行加權訓練，得到擴展訓練樣本，將所有擴展訓練樣本組合形成超香腸神經網絡H，再將超香腸神經網絡H中所有的擴展樣本依次編號作為超香腸神經網絡編號特征；3c)依據覆蓋間隔k更新訓練樣本編號特征，將更新后的訓練樣本編號特征與訓練樣本目標尺寸特征一起輸入到具有m個互相連接的徑向基函數R內進行訓練，獲得徑向基神經網絡W；(4)使用歐式距離度量法則在搜索區域內搜索目標：4a)輸入一幀視頻圖像作為搜索區域；4b)在搜索區域內，逐像素選擇與訓練樣本集中訓練樣本同尺寸的區域作為候選區域，提取候選區域灰度特征，按照步驟3b)的方法對候選區域灰度特征進行預處理后得到測試樣本，計算測試樣本與超香腸神經網絡H中所有擴展樣本之間的歐式距離，得到一組超香腸距離；4c)記錄搜索區域內每一候選區域的最小超香腸距離，得到搜索區域距離，記錄最小超香腸距離在超香腸編號特征中的編號，得到搜索區域編號；(5)取搜索區域距離中具有最小距離的位置作為目標位置；(6)取得搜索區域編號中目標位置處的編號，輸入到徑向基神經網絡W，得到目標尺寸；(7)在輸入的該幀視頻圖像中標記出目標位置和目標尺寸，重復步驟(4)?步驟(6)，直至視頻結束。...

【技術特征摘要】
1.一種仿生模式識別目標自適應跟蹤方法，包括以下步驟: (1)輸入一段視頻，采用隔幀抽取的方式選擇n幀圖像，以每幀圖像中目標區域為中心截取訓練樣本，得到n個訓練樣本，分別將其編號為1，2，...，n，組成訓練樣本集； (2)從訓練樣本集中提取訓練樣本特征，其特征包括:訓練樣本編號特征、訓練樣本灰度特征和訓練樣本目標尺寸特征； (3)建立超香腸神經網絡和徑向基神經網絡: 3a)設定覆蓋參數a = 0.05,覆蓋間隔k = I/a ,徑向基函數個數m = 10 ； 3b)采用向量化方法和標準化方法對訓練樣本灰度特征進行預處理，并按照覆蓋參數a進行加權訓練，得到擴展訓練樣本，將所有擴展訓練樣本組合形成超香腸神經網絡H，再將超香腸神經網絡H中所有的擴展樣本依次編號作為超香腸神經網絡編號特征； 3c)依據覆蓋間隔k更新訓練樣本編號特征，將更新后的訓練樣本編號特征與訓練樣本目標尺寸特征一起輸入到具有m個互相連接的徑向基函數R內進行訓練，獲得徑向基神經網絡W ； (4)使用歐式距離度量法則在搜索區域內搜索目標: 4a)輸入一幀視頻圖像作為搜索區域； 4b)在搜索區域內，逐像素 選擇與訓練樣本集中訓練樣本同尺寸的區域作為候選區域，提取候選區域灰度特征，按照步驟3b)的方法對候選區域灰度特征進行預處理后得到測試樣本，計算測試樣本與超香腸神經網絡H中所有擴展樣本之間的歐式距離，得到一組超香腸距離； 4c)記錄搜索區域內每一候選區域的最小超香腸距離，得到搜索區域距離，記錄最小超香腸距離在超香腸編號特征中的編號，得到搜索區域編號； (5)取...

【專利技術屬性】
技術研發人員：王軍寧，劉煥云，何迪，涂尚斌，張晶，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：