一种基于卷积神经网络的水平集目标追踪方法.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CN107705323A(43)申请公布日2018.02.16(21)申请号201710951863.0(22)申请日2017.10.13(71)申请人北京理工大学地址100081北京市海淀区中关村南大街5号(72)发明人刘利雄宁小东(74)专利代理机构北京理工正阳知识产权代理事务所(普通合伙)11639代理人鲍文娟(51)Int.Cl.G06T7/246(2017.01)权利要求书4页说明书7页附图1页(54)发明名称一种基于卷积神经网络的水平集目标追踪方法(57)摘要本发明涉及一种基于卷积神经网络的水平集目标追踪方法，属于目标追踪和视频处理技术领域。本该方法包括以下步骤：一、利用视频输入的第一帧和第一帧标准目标轮廓初始化Adaboost检测模块；二、调用检测模块获取物体在后续视频帧中的初步位置和形状；三、在上一步基础上运行水平集法追踪模块，精确分割物体轮廓；四、使用步骤三的结果区分前景/背景，更新检测模块的弱分类器。本发明所提出的卷积神经网络特征利用方式，能够对前景/背景做出更好的区分，从而提高检测准确性，提高了整体的目标追踪效果；能够平衡性能和效率，在相同的运行速度下取得较优的追踪结果。CN107705323ACN107705323A权利要求书1/4页1.一种基于卷积神经网络的水平集目标追踪方法，其特征在于：包括以下步骤：步骤1，利用视频输入的第一帧和第一帧标准目标轮廓初始化Adaboost检测模块；步骤2，调用步骤1所得检测模块，获取物体在后续视频帧中的初步位置和形状；步骤3，在步骤2基础上运行水平集法追踪模块，精确分割物体轮廓；步骤4，使用步骤3的结果区分前景/背景，更新检测模块的弱分类器；至此，从步骤1到步骤4，完成了一种基于卷积神经网络的水平集目标追踪方法。2.如权利要求1所述的一种基于卷积神经网络的水平集目标追踪方法，其特征还在于：步骤1，对于每个待追踪的视频序列{I1,...,In}，先进行唯一一次的初始化操作；其中，记初始化操作输入的视频帧为I1，输入的手工标注的初始化轮廓(即手工标注出的待追踪目标轮廓)为C1，利用I1和C1进行以下操作：步骤1.1，提取I1的特征图集F和确定训练的标准结果(Label)y，即：提取I1色彩空间特征，记为特征图提取I1的梯度方向直方图(HistogramofGradient，HOG)特征，记为特征图将I1输入“VGGnet”卷积神经网络，获取卷积神经网络的不同卷积层特征，记为特征图则将C1的轮廓内部像素值记为1，外部记为-1，则训练的标准结果(与特征图大小一致的二维矩阵)为步骤1.2，初始化学习系数矩阵(与特征图大小相同的二维矩阵)为1/N，其中N为I1的长乘以宽(即图像大小)，t为接下来循环学习的次数标号；步骤1.3，对于特征图集F中的每个特征(共循环nVGG次，即t＝1...nVGG，循环次数与总特征数相同)，循环以下步骤：步骤1.3.1，将学习系数归一化，即执行赋值使得学习系数矩阵Wt的所有元素之和为1；步骤1.3.2，训练Adaboost弱分类器；本方法的弱分类器即矩阵其中ft是第t个特征，HObj和HBg分别为前景(即物体)和背景的灰度分布直方图，HObj(ft)即特征图ft的像素点的值，对应的直方图HObj区间的取值概率，HBg(ft)同理；δ为一个很小的值，防止分母为零或真数为零(本方法取δ＝0.001)；sign(·)为符号函数，自变量为正数或零时取值为1，反之则取值为-1；步骤1.3.3，计算上一步得到的弱分类器的误差Error：2CN107705323A权利要求书2/4页其中1≤i≤N同步骤1.2所述，为学习系数矩阵Wt、弱分类器二值图像或标准结果y的像素序号；为步骤1.2中的学习系数；意为逻辑运算，即当两者不等时取1，反之为0；步骤1.3.4，计算弱分类器权重αt：步骤1.3.5，迭代更新学习系数矩阵Wt，使其中的元素更新为：至此，循环结束；在完成t＝1...nVGG次循环后，筛选出前T个具有最小Error值的弱分类器(T远小于nVGG)，则Adaboost强分类器为：那么，在经历步骤1.1至1.3后，步骤1的初始化操作结束；通过初始化，可获得一个强分类器S，构成它的一组弱分类器(共T个)，以及的本质——特征图的前景/背景分布直方图HObj和HBg。3.如权利要求1所述的一种结合信息熵的水平集图像分割方法，其特征还在于：步骤2，通过步骤1所得的强分类器，在后续帧{I2,...,In}上运行检测模块，具体为：步骤2.1，提取Ik(2≤k≤n)的特征图集F′；此特征图集维度比步骤1.3中的F小，仅有T维，需要根据步骤1.3中的弱分类器排序结果，取得Error值前T小的特征，加入F′；