一种基于连续吸引子神经网络的在线目标跟踪方法技术

本发明专利技术公开了一种基于连续吸引子神经网络的在线目标跟踪方法，包括如下步骤：S1，根据连续吸引子神经网络模型建立网络，根据网络状态调节神经元状态关键参数到供实际跟踪使用的参数域；S2，接收监控图像，对当前帧做差分操作得到差分图，根据指导位置和差分图得到输入矩阵；S3，将输入矩阵作为网络的输入，输入到建立的网络中；S4，使网络演化时间阈值长度，得到目标的预测位置；S5，使用目标的预测位置更新指导位置的数据，重复步骤S2～S4，在后续帧整合目标的预测位置，继续跟踪。该方法在目标跟踪过程中根据目标的预测位置实时对网络进行调整，有效地满足了对目标跟踪的准确性和实时性要求。

【技术实现步骤摘要】

本专利技术涉及一种目标跟踪方法，尤其涉及一种基于连续吸引子神经网络的在线目标跟踪方法，属于机器视觉

技术介绍
随着计算机技术的飞速发展，目标跟踪技术作为计算机视觉领域的基础步骤，广泛应用于交通管制、医疗诊断、人机交互以及军事侦察等领域；通过目标跟踪技术，系统可以在连续的图像序列中，自动且快速得获取目标在视频或图像中的位置、大小和形状等信息。目标跟踪技术在过去一些年被广泛的研究，但涉及不同的应用场景时所需求或使用的跟踪算法大不相同。目前，在视频监控、视频压缩、人机交互等多个领域，目标跟踪技术都展现了广阔的应用空间和前景。而现有的目标跟踪方法一般为：选取一帧无运动目标的图像作为背景图像，对于当前获取的一帧图像，将该帧图像与背景图像相减，得到该帧图像包括的每个像素点分别与在背景图像中对应的像素点之间的差值，获取差值大于预设阈值的像素点，然后由此来判定获取的像素点为出现在运动目标上的像素点，根据获取的像素点确定目标的位置、大小和形状。现有的目标跟踪方法可以有效提取运动目标的信息，但是常常噪音较大，限制了跟踪算法的准确性。而且，对背景图像的准确性要求非常高，当外部环境变化时，背景图像将发生变化，很可能丢失目标，除此之外，在目标跟踪过程中不能根据目标的预测位置进行实时调整，严重限制了对目标跟踪的准确性和实时性。为了解决上述问题，考虑将日渐成熟的生物神经网络引入到目标跟踪的方法中。生物神经网络中的连续吸引子神经网络，是一种循环神经网络。作为一种基本生物神经网络模型，被提出已有多年，目前可以较好的阐释包括跟踪在内的多种生物神经机制。负反馈调节机制，是一种广泛存在于实际神经网络活动中的机制。研究表明，整合负反馈调节机制，可以对多种神经网络模型的活动产生影响。尤其是，整合负反馈调节机制的连续吸引子网络，增强了其原有的跟踪特性。但到目前为止，还没有将生物神经网络跟踪机制应用于实际目标跟踪的实例，以实现对在线目标的实时跟踪。
技术实现思路
针对现有技术的不足，本专利技术所要解决的技术问题在于提供一种基于连续吸引子神经网络的在线目标跟踪方法。为实现上述专利技术目的，本专利技术采用下述的技术方案：一种基于连续吸引子神经网络的在线目标跟踪方法，包括如下步骤：S1，根据连续吸引子神经网络模型建立网络，根据网络状态调节神经元状态关键参数，使所述神经元状态关键参数在供实际跟踪使用的参数域内；S2，接收监控图像，对当前帧做差分操作得到差分图，根据指导位置和差分图得到输入矩阵；S3，将输入矩阵作为网络的输入，输入到建立的网络中；S4，使网络演化时间阈值长度，得到目标的预测位置；S5，使用目标的预测位置更新指导位置的数据，重复步骤S2～S4，在后续帧中整合目标的预测位置，对目标位置继续跟踪。其中较优地，在步骤S1中，根据连续吸引子神经网络模型建立网络，包括如下步骤：S101，根据图片的像素尺寸确定网络的形态，将所述吸引子神经网络模型中的所有神经元节点均匀分布在二维矩形网格的节点处；S102，生成神经元的描述量，包括：膜电位、发放率，并引入负反馈调节机制；S103，按照规则生成网络联接矩阵，根据连接权重公式，初始化每一个神经元节点到网络其余节点的连接权重，建立网络。其中较优地，在步骤S102中，引入负反馈调节机制包括如下步骤：在每一个神经元节点上采用微分方程得到负反馈大小V(x,t)；其中，V(x,t)为每个神经元对自身施加的负反馈大小,U(x,t)为神经元膜电位的当前值；将求得的负反馈大小作用在神经元膜电位的当前值上，随着时间的变化，实时调节神经元膜电位的当前值。其中较优地，在步骤S103中，所述连接权重公式为在网络中，神经元节点x连接到x′的权重满足的函数，即：J(x,x′)=Jo2πa2exp[-(x-x′)22a2]]]>其中，J(x，x′)为在网络中位置为x的神经元节点与位置为x′的神经元节点的连接权重；a为高斯分布的方差；J0为高斯分布的尺度因子。其中较优地，在步骤S1中，根据网络状态调节神经元状态关键参数，使所述节神经元状态关键参数在供实际跟踪使用的参数域内；具体包括如下步骤：S111，为网络中的神经元状态关键参数设置初始值；S112，确定一个神经元状态关键参数作为变化量，其他神经元状态关键参数为常量，调节网络的全局抑制因子，使得连续吸引子出现；S113，调节负反馈调节因子，检验连续吸引子网络的移动性，改变作为变化量的神经元状态关键参数的值，确定网络为可供实际跟踪使用时，作为变化量的神经元状态关键参数的参数域；S114，改变确定为变化量的神经元状态关键参数，重复步骤S112～S113，确定神经元状态关键参数的参数域，并将神经元状态关键参数设置在参数域内。其中较优地，在步骤S2中，接收监控图像，对当前帧做差分操作得到差分图，根据指导位置和差分图得到输入矩阵，包括如下步骤：S21，读取一帧图像，转化成灰度图；S22，若当前帧为第一帧，则保存当前帧为参考帧，返回步骤S21；否则，设当前帧为待处理帧；S23，将待处理帧减去参考帧，得到差分图像；S24，用矩形滤波器对差分图像进行空域均值滤波，得到滤波图像；S25，对滤波图像进行二值化处理，得到二值图像；S26，对二值图像进行以指导位置为中心的高斯过滤，得到输入矩阵。其中较优地，第一次对获取的二值图像进行高斯过滤时，所述指导位置为需要跟踪的原始目标位置，随着目标移动，所述指导位置为后续用网络迭代输出的目标的预测位置。其中较优地，在步骤S3中，得到输入矩阵之后，将输入矩阵作为网络的输入，输入到建立的网络中，包括如下步骤：S31，将输入矩阵进行空间变形，将输入矩阵的图像尺寸调节到网络尺寸，以适应步骤S1建立的网络；S32，将步骤S31得到的结果进行值域尺度变化，通过结果的值域尺度变化进行神经元节点的输入强度的调节，使输入矩阵输入到网络后，网络进行演化。其中较优地，在步骤S4中，输入矩阵输入到建立的网络后，使网络演化时间阈值长度，得到目标的预测位置，包括如下步骤：S41，根据计算性能和实际跟踪的目标，选择迭代步长和实际的步数的数值计算方法；S42，根据视频或者图像采集设备的帧率参数，换算帧间距时间，采用步骤S41选择的实际的步数的数值计算方法，得到实际的步数，作为指定步数；S43，将第一次输入矩阵输入网络后，输出的结果作为第二次本文档来自技高网...

【技术保护点】
一种基于连续吸引子神经网络的在线目标跟踪方法，其特征在于包括如下步骤：S1，根据连续吸引子神经网络模型建立网络，根据网络状态调节神经元状态关键参数，使所述神经元状态关键参数在供实际跟踪使用的参数域内；S2，接收监控图像，对当前帧做差分操作得到差分图，根据指导位置和差分图得到输入矩阵；S3，将输入矩阵作为网络的输入，输入到建立的网络中；S4，使网络演化时间阈值长度，得到目标的预测位置；S5，使用目标的预测位置更新指导位置的数据，重复步骤S2～S4，在后续帧中整合目标的预测位置，对目标位置继续跟踪。

【技术特征摘要】
1.一种基于连续吸引子神经网络的在线目标跟踪方法，其特征在于包括如下步骤：
S1，根据连续吸引子神经网络模型建立网络，根据网络状态调节神经元状态关键参数，
使所述神经元状态关键参数在供实际跟踪使用的参数域内；
S2，接收监控图像，对当前帧做差分操作得到差分图，根据指导位置和差分图得到输入
矩阵；
S3，将输入矩阵作为网络的输入，输入到建立的网络中；
S4，使网络演化时间阈值长度，得到目标的预测位置；
S5，使用目标的预测位置更新指导位置的数据，重复步骤S2～S4，在后续帧中整合目标
的预测位置，对目标位置继续跟踪。
2.如权利要求1所述的基于连续吸引子神经网络的在线目标跟踪方法，其特征在于在
步骤S1中，根据连续吸引子神经网络模型建立网络，包括如下步骤：
S101，根据图片的像素尺寸确定网络的形态，将所述吸引子神经网络模型中的所有神
经元节点均匀分布在二维矩形网格的节点处；
S102，生成神经元的描述量，包括：膜电位、发放率，并引入负反馈调节机制；
S103，按照规则生成网络联接矩阵，根据连接权重公式，初始化每一个神经元节点到网
络其余节点的连接权重，建立网络。
3.如权利要求2所述的基于连续吸引子神经网络的在线目标跟踪方法，其特征在于在
步骤S102中，引入负反馈调节机制包括如下步骤：
在每一个神经元节点上采用微分方程得到负反馈大小V
(x,t)；
其中，V(x,t)为每个神经元对自身施加的负反馈大小，U(x,t)为神经元膜电位的当前
值；
将求得的负反馈大小作用在神经元膜电位的当前值上，随着时间的变化，实时调节神
经元膜电位的当前值。
4.如权利要求2所述的基于连续吸引子神经网络的在线目标跟踪方法，其特征在于：
在步骤S103中，所述连接权重公式为在网络中，神经元节点x连接到x′的权重满足的函
数，即：
J(x,x′)=Jo2πa2exp[-(x-x′)22a2],]]>其中，J(x，x′)为在网络中位置为x的神经元节点与位置为x′的神经元节点的连接权
重；a为高斯分布的方差；J0为高斯分布的尺度因子。
5.如权利要求1所述的基于连续吸引子神经网络的在线目标跟踪方法，其特征在于在
步骤S1中，根据网络状态调节神经元状态关键参数，使所述节神经元状态关键参数在供实
际跟踪使用的参数域内；具体包括如下步骤：
S111，为网络中的神经元状态关键参数设置初始值；
S112，确定一个神经元状态关键参数作为变化量，其他神经元状态关键参数为常量，调
节网络的全局抑制因子，使得连续吸引子出现；
S113，调节负反馈调节因子，检验连续吸引子网络的移动性，改变作为变化量的神经元
状态关键参数的值，确定...

【专利技术属性】
技术研发人员：吴思，高奇，弭元元，林小涵，夏燕，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京;11