[发明专利]一种融合多层卷积特征的相关滤波目标跟踪方法

权利要求书

1.一种融合多层卷积特征的相关滤波目标跟踪方法，其特征在于：包括如下步骤：

步骤(1)、提取特征：在下一帧按当前帧的目标位置和尺度提取目标样本，通过预训练好的VGG网络提取目标样本的多层卷积特征并降维；

步骤(2)、计算并融合多层响应：将提取到的特征通过训练好的滤波器得到每层的目标响应，将每层的响应归一化后，以固定权重融合得到最终响应；

步骤(3)、位置估计：通过步骤(2)融合后的最终响应中的峰值位置得到下一帧目标的位置估计；

步骤(4)、尺度估计：在下一帧的估计位置提取多个尺度下目标样本并提取HOG特征，并通过尺度滤波器得到尺度响应，通过尺度响应的峰值位置得到下一帧目标的尺度估计；

步骤(5)、滤波器更新：在下一帧以估计后的目标位置和尺度提取目标的位置和尺度样本，通过VGG网络提取多层卷积特征以及计算目标多尺度HOG特征，通过线性插值方式更新当前滤波器；

所述步骤(1)的具体步骤如下：

根据目标外形提取周围包含背景的样本，将提取到的目标样本双线性插值到224x224大小输入VGG网络，并提取第三、四、五池化层的激活值作为目标的多层卷积特征，将提取到的卷积特统一双线性征插值到目标样本大小，并统计每个通道的方差大小，每层按方差大小取前30通道作为降维后的卷积特征，方差统计方式为：

其中σ²表示该通道卷积特征的方差，F_m,n表示该通道卷积特征中的特征值，F_ave表示该通道特征的平均值，m、n表示样本的长、宽；

所述步骤(2)的具体步骤如下：

在每个卷积层构造一个最佳的位置相关滤波器，该方法通过最小化(2)式的损失函数ε进行训练：

其中h表示训练的滤波器，d表示维数，f表示提取的d维卷积特征，*表示循环相关，g表示理想二维高斯输出，l表示通道数，l∈{1……d}；λ为正则化系数，损失函数ε的前半部分表示实际响应和理想响应之间的误差，后半部分为防止滤波器过拟合而添加的正则化项，因为傅里叶变换能够大大提高卷积运算的速度，所以滤波器的求解均在频域进行，由于傅里叶变换中存在边缘效应，将样本特征乘以余弦窗口以减轻边缘效应，(2)式滤波器h的解为：

其中k表示求和过程中的通道数，F^k表示频域特征F^l第k通道中的特征，表示F^k对应的共轭复数,H、G、F均表示h、g、f经过离散傅里叶变换后的频域描述，表示G、F对应的共轭复数；

按照下列线性插值方法更新滤波器：

其中B_t表示当前帧-t帧中更新后的位置滤波器的分子和分母，B_t-1表示上一帧-t-1帧中位置滤波器的分子和分母，G_t、分别表示当前帧-t帧中对应的频域理想二维高斯输出和频域多维卷积特征，表示G_t对应的共轭复数，k表示求和过程中的通道数，表示当前帧-t帧中对应的多维频域特征第k通道中的特征，表示对应的共轭复数，η表示滤波器更新的学习率；

在下一帧-t+1帧中按当前帧中的位置和尺度提取目标样本的多层卷积特征，在频域与滤波器进行卷积操作并通过离散傅里叶反变换得到每层的时域响应：

其中表示傅里叶反变换，i表示卷积层，i∈{3,4,5}，t、t+1分别表示当前帧和下一帧，B_it分别表示当前帧-t帧中第i卷积层中训练的位置滤波器的分子和分母，表示在下一帧-t+1帧中提取的目标样本第i层卷积特征，y_i(t+1)表示下一帧中第i卷积层的时域响应，之后将每层卷积特征得到的空间响应y_i(t+1)的值归一化到[0,1]区间；

最后将多层响应通过固定权重融合：

其中α_i表示每层对应的融合权重，i表示卷积层(i∈{3,4,5})，y’_i(t+1)表示下一帧-t+1帧中第i层对应的归一后的时域响应，将3，4，5层时域响应按固定权重α_i融合得到y_t+1，y_t+1即为下一帧-t+1帧中融合后的最终响应。