[发明专利]一种结合高斯核函数的卷积神经网络跟踪方法

摘要

本发明公开的一种结合高斯核函数的卷积神经网络跟踪方法，该方法步骤包括：首先对首帧图像进行归一化处理并聚类提取目标信息，结合跟踪过程中目标背景信息共同作为卷积网络结构中的各阶滤波器，通过高斯核函数来提高卷积运算速度，提取目标简单抽象特征，然后叠加简单层的卷积结果得到目标的深层次表达，最后结合粒子滤波跟踪框架实现跟踪。本发明简化后的卷积网络结构，脱离苛刻深度学习运行环境提取的深度抽象特征，能够有效地应对低分辨率，目标遮挡与形变等场景，提高复杂背景下的跟踪效率。

主权项

1.一种结合高斯核函数的卷积神经网络跟踪方法，其特征在于，包括以下步骤：步骤1、初始化：包括针对各帧图像的归一化，粒子滤波，网络规模和样本容量这些参数的设置；且设置的参数包括滤波网络取片尺寸w*w，滤波器数P，归一化尺寸n*n，粒子滤波器的目标状态的标准偏差σx，σy，σs以及使用N个粒子；步骤2、初始滤波器提取：针对第一帧图像的目标，通过滑动窗口和K-means聚类提取一个初始滤波器组用以后续网络的滤波器使用，在跟踪过程中此滤波器组保持不变；步骤3、根据卷积神经网络结构，先提取各候选样本的深层抽象特征，再利用高斯核函数方式加速卷积计算，其具体包括：步骤31、简单层特征提取：针对输入图像帧，通过预处理将图像归一化到n*n大小，对目标区域利用w*w大小的滑动窗口进行采样，得到长度为L的图像块组X；步骤32、用k-means聚类的方法从L＝(n-w+1)×(n-w+1)个图像块中聚类得到d个图像块滤波器作为卷积核，将卷积核记作 F = { F 1 , F 2 , ... , F d , } ⋐ X ; ]]>步骤33、对输入的图像I所对应的响应如公式(1)所示： S i o = F i o ⊗ I , S i o ∈ R ( n - w + 1 ) × ( n - w + 1 ) - - - ( 1 ) ]]>其中，S为第一层卷积结果，F为卷积核；步骤34、对图像的目标周围的区域随机采样得到个样本，同样进行k-means聚类获得图像的背景模板：步骤35、采用均值池化方式处理所有图像的背景模板得到平均背景： F b = { F 1 b = 1 m Σ i = 1 m F i , 1 b , F 2 b = 1 m Σ i = 1 m F i , 2 b , ... , F d b = 1 m Σ i = 1 m F i , d b } ]]>其中，Fb为背景卷积核，b是标明为背景，d是获取一组背景模板的总个数，m为平均池化操作的参数；步骤36、简单层的特征表达如公式(2)所示： S i = S i o - S i b = ( F i o - F i d ) ⊗ I , i = 1 , 2 , ... , d - - - ( 2 ) ]]>步骤37、复杂层特征提取：将d个简单层的特征进行堆叠，构成一个三维张量来表示目标的复杂层特征，并将该复杂层特征记作C∈R(n-w+1)×(n-w+1)×d；步骤38、采用稀疏表达的方式表示特征得到特征张量的C的稀疏表达，且步骤39、根据soft-shrinking方法获得目标特征表达如公式(3)所示： c ^ = s i g n ( v e c ( C ) ) m a x ( 0 , a b s ( v e c ( C ) ) - ρ ) - - - ( 3 ) ]]>步骤310、利用高斯核函数进行卷积运算，其表达式如下公式(4)所示：其中，*表示复共轭，k(x，x′)表示高斯核函数；步骤311、设是一个高维核希尔伯特空间的映射，则核函数权重可表示为其中，系数向量为α，元素为αi；步骤312、要求解的参数由v变为α，则核正则化最小二乘分类器的闭式解可表示为：α＝(K+λI)-1y (5)其中，K是核函数矩阵，矩阵元素为Kij＝k(xi，xj)，I是单位矩阵，向量y的元素为yi，由于K是循环矩阵，则将上述公式(5)可转换到DFT域， α ^ * = y ^ × ( k ^ x x + λ ) - 1 - - - ( 6 ) ]]>其中，是核函数矩阵K的第一行元素组成的向量，符号八表示傅里叶变换；步骤4、特征匹配与定位：利用粒子滤波跟踪框架，进行特征匹配与定位，以进行目标跟踪。