[发明专利]一种结合高斯核函数的卷积神经网络跟踪方法

权利要求书

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。