基于全卷积神经网络的即时目标追踪检测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109543684A(43)申请公布日2019.03.29(21)申请号201811172150.5(22)申请日2018.10.09(71)申请人广州大学地址510006广东省广州市番禺区广州大学城外环西路230号(72)发明人黄文恺胡凌恺薛义豪彭广龙何杰贤倪皓舟朱静吴羽(74)专利代理机构广州市华学知识产权代理有限公司44245代理人李斌裘晖(51)Int.Cl.G06K9/34(2006.01)G06K9/62(2006.01)权利要求书2页说明书5页附图6页(54)发明名称基于全卷积神经网络的即时目标追踪检测方法及系统(57)摘要本发明公开了一种基于全卷积神经网络的即时目标追踪检测方法及系统，方法包括：S1、进行数据增强处理，得到训练样本；S2、将训练样本与第一帧对应的目标分割图以颜色通道维度进行组合；S3、将训练样本第二帧对应的目标分割图与其转置图在颜色通道维度进行组合；S4、构建全卷积对抗神经网络，其由全卷积网络和判别器网络构成；S5、训练判别器判断该分割图是由全卷积网络生成的伪造数据还是真实数据；S6、将分割图与其标签使用交叉熵计算损失值1和损失值2；S7、将步骤S5和S6轮流进行，直到全卷积网络生成尽可能接近真实的人为绘制的目标分割图。本发明依赖的数据少，运算速度快，具有即时性，可以在视频拍摄的同时就对视频中的目标进行追踪。CN109543684ACN109543684A权利要求书1/2页1.基于全卷积神经网络的即时目标追踪检测方法，其特征在于，所述包括下述步骤：S1、对数据集中的图像进行数据增强处理，得到训练样本；S2、将得到的训练样本与训练样本第一帧对应的目标分割图以颜色通道维度进行组合，生成一个新的三维数组，并将其中的所有像素值进行归一化处理；S3、将训练样本第二帧对应的目标分割图与其转置图在颜色通道维度进行组合，作为神经网络的标签，用于计算损失值；S4、构建全卷积对抗神经网络，所述全卷积对抗神经网络的主体由一个用于生成目标分割图的全卷积网络和一个用于对抗训练的判别器网络构成，其中全卷积网络神经层的设置与构造均可随着使用需求而调整，且全卷积神经网络中部没有加入分类器；S5、将全卷积网络生成的分割图与其标签分别输入判别器网络，使用该判别器进行二分类训练，让它可以判断该分割图是由全卷积网络生成的伪造数据还是人为标注的真实数据,为其伪造数据和人为标注的真实数据提供的目标值分别为，伪：[[0],[1]]，真：[[1],[0]]，交叉熵函数计算得损失值0；S6、将全卷积网络生成的分割图与其标签使用交叉熵计算损失值1，然后全卷积网络生成的分割图输入判别器网络，为其提供的目标值为，真：[[1],[0]]，使用交叉熵函数计算其损失值2；S7、将步骤S5和S6轮流进行，直到全卷积网络生成尽可能接近真实的人为绘制的目标分割图。2.根据权利要求1所述基于全卷积神经网络的即时目标追踪检测方法，其特征在于，在步骤S1中，所述数据增强处理具体包括下述几种方式：(1)将数据集中所有相邻两帧的图像两两组合，当一段影像长度为n帧时，共可获得n-1个样本；(2)将数据集中图像相隔一帧以上的图像组合作为训练样本；(3)将数据集中前后两帧图像顺序对调得到的图像作为训练样本。3.根据权利要求1所述基于全卷积神经网络的即时目标追踪检测方法，其特征在于，所述步骤S2中，归一化处理后的彩色图有三个颜色通道，而目标分割图有一个颜色通道，故新的三维数组高度为7，面积仍和原图像相同，该新的三维数组作为神经网络的输入。4.根据权利要求1所述基于全卷积神经网络的即时目标追踪检测方法，其特征在于，所述步骤S3中，转置图的通过下述方式得到：设第二帧对应的目标分割图为P，它的转置图计算公式为P转＝1-P。5.根据权利要求1所述基于全卷积神经网络的即时目标追踪检测方法，其特征在于，所述步骤S4中，在全卷积网络和判别器网络的最后一层采用Softmax将数据压缩到(0,1)之间。6.根据权利要求1所述基于全卷积神经网络的即时目标追踪检测方法，其特征在于，所述步骤S5中，还包括下述步骤：使用交叉熵函数计算损失值0，固定全卷积网络的参数使其在训练中不会被改变，采用Adam优化器最小化损失值0，优化判别器网络的参数。7.根据权利要求1所述基于全卷积神经网络的即时目标追踪检测方法，其特征在于，步骤S6中，还包括下述步骤：2CN109543684A权利要求书2/2页固定判别器网络的参数使其在训练中不会被改变，采用Adam优化器最小化损失值1和损失值2，优化全卷积网络的参数。8.基于全卷积神经网络的即时目标追踪检测系统，其特征在于，所述系统包括：数据增强处理模块，用于对数据集中的图像进行数据增强处理，得到训练