【技术实现步骤摘要】
本专利技术属于目标关联，更为具体地讲，涉及一种基于深度子空间聚类的遮挡目标关联方法。
技术介绍
1、目标关联技术在自动驾驶、智能监控和行为识别等众多领域发挥着重要作用。但在如商场等人流密集的复杂环境中，该技术面临着目标遮挡和外观相似性等挑战。
2、传统的目标关联技术，如基于统计的方法(如联合概率数据关联)和基于几何的方法(如最近邻分配)，通常依赖于简化的外观和运动模型。然而，这些方法在面对遮挡环境下的挑战时，往往难以实现其预期的性能。因此，如何在遮挡发生时，依然能够可靠地进行目标关联，成为了目标关联
亟待解决的关键问题。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种基于深度子空间聚类的遮挡目标关联方法，以实现对有遮挡场景下目标的有效关联。
2、为实现上述专利技术目的，本专利技术基于深度子空间聚类的遮挡目标关联方法，其特征在于，包括以下步骤：
3、(1)、目标检测：从视频中检测出需要关联目标；
4、(2)、目标特征初始化：利用深度学习技术，选择合适的特征提取器，为每个目标提取初始特征；
5、(3)、自表达矩阵初始化：将所有目标的特征整合成一个数据矩阵，其中每一列代表一个目标。通过学习目标间的自表达矩阵，使得任一目标的特征可以通过其他目标特征的线性组合来近似表示。同时，设计包含重构误差和正则化项的损失函数，以确保自表达矩阵不仅能够高效重构数据，还能保持良好的聚类结构。在优化自表达系数矩阵的过程中，进
6、(4)、伪标签初始化：选择一种常见聚类算法对自表达矩阵z进行初步子空间聚类，为每个目标分配初始的伪标签；
7、(5)、网络更新优化：综合特征提取、自表达系数矩阵更新和伪标签优化的损失。通过梯度下降法自动更新神经网络的权重，更新目标的特征向量、自表达系数矩阵及伪标签，直到目标伪标签稳定或达到预设的训练轮次；
8、(6)、目标自动关联：根据最终确定的伪标签，将具有相同标签的目标归为一类，并按照时间顺序将同一目标的实例关联起来。
9、本专利技术的目的是这样实现的。
10、本专利技术基于深度子空间聚类的遮挡目标关联方法，通过目标检测方法检测出需要关联的所有目标，利用深度学习对目标进行特征提取，并构建一个自表达系数矩阵。同时，设计一个融合了自表达误差和正则化项的损失函数，确保自表达矩阵不仅能够高效地重构数据，而且能够揭示出潜在的聚类结构。通过深度学习发现一个更适合目标关联的子空间，而不是在全空间中直接进行目标关联。鉴于在未知场景中，无法预先识别未知目标，传统的监督学习方法可能无法满足实际需求，故采用了自监督学习技术。这种方法利用聚类结果生成的伪标签来指导深度学习的特征提取和自表达矩阵的优化，从而学习到在低维空间中更具代表性的特征表示。通过持续的循环迭代，本专利技术不仅显著提高了目标关联的准确性，还实现了特征降维，从而降低了计算的复杂度。
本文档来自技高网...【技术保护点】
1.一种基于深度子空间聚类的遮挡目标关联方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度子空间聚类的遮挡目标关联方法，其特征在于，步骤(5)中，所述的网络更新，使伪标签趋于稳定并进一步实现目标在子空间中进行自动关联。
【技术特征摘要】
1.一种基于深度子空间聚类的遮挡目标关联方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度子空间...
【专利技术属性】
技术研发人员：邵俊明，廖宸，杨勤丽，
申请(专利权)人：电子科技大学深圳高等研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。