[发明专利]一种增强的多层卷积视觉跟踪方法

权利要求书

1.一种增强的多层卷积视觉跟踪方法，其特征在于：所述跟踪方法包括以下步骤：

步骤1，获取视频序列或图片序列，得到前一帧目标位置P_t-1和尺寸S_t-1；

步骤2，特征提取模块，采用深层网络的浅层信息权重加和作为特征输出，并通过主成分分析对特征进行降维，得到所需特征图；

步骤3，给定预期高斯输出，得到前一帧位置模型和

步骤4，目标定位模块，根据滤波模板输出的最大响应值是否大于给定阈值，判定目标是否消失，若大于则直接确定目标位置；若小于则消失，通过间隔帧差法确定检测区域的待检测目标位置，以直方图权重排除非目标物体干扰，确定可疑目标物体，提取特征，与滤波模板做相关，找出大于阈值的最大响应，确定目标位置；

步骤5，尺度策略模块，根据目标位置，确定颜色直方图比例权重，权重乘以上帧目标尺寸即为当前目标尺寸；

步骤6，更新位置模型和

2.根据权利要求1所述的一种增强的多层卷积视觉跟踪方法，其特征在于，步骤2中，特征提取模块，具体方法如下：

步骤2-1，通过循环矩阵获取目标周围的候选区Z，使用训练好的VGG-19网络中的卷积层0.5倍第三层与0.5倍第四层加和输出作为特征提取层；

步骤2-2，通过主成份分析实现特征降维，为减少在傅里叶域的计算量，更新目标模板：

u_t＝(1-η)u_t-1+ηf_t (1)

u_t为当前帧目标模板，u_t-1为上一帧目标模板，f_t为当前帧训练样本，η为更新目标模板学习率，u_t通过压缩的映射矩阵P_t构造，P_t通过最小化模板的重构误差得到：

ε为最小重构误差，为映射矩阵P的转置矩阵，n为目标模板u_t元素个数，此时，压缩特征的候选区记为其中z_t为候选区，F为傅里叶变换。

3.根据权利要求1所述的一种增强的多层卷积视觉跟踪方法，其特征在于，在步骤4中，目标定位模块，方法如下：

步骤4-1，响应值Y计算公式如下：

步骤4-2，判断输出响应是否大于给定阈值，若大于阈值，则根据最大相应位置更新目标位置；

步骤4-3，若小于阈值认为目标丢失，则保留前一帧目标模板，提取当前目标为中心2倍候选区域为检测区域，每相隔三帧对检测区域做一次帧差，确定检测区域的待检测目标物体，通过轮廓提取获得待检测目标物体的最小外接矩形；

步骤4-4，通过计算待检测目标物体的颜色直方图与目标区域的颜色直方图比率，确定待检测目标物体可信度，排除可信度较小的待检测目标物体，确定疑似目标物体；

步骤4-5，提取疑似目标物体特征，置为保存的滤波模板大小；

步骤4-6，对疑似目标物体与滤波模板进行相关操作，并重复上述步骤直至出现大于阈值的目标出现，以该位置为目标位置，启用相关滤波算法。

4.根据权利要求1所述的一种增强的多层卷积视觉跟踪方法，其特征在于步骤5中的，尺度策略模块，具体内容如下：

步骤5-1，若最大响应大于给定阈值，确定目标位置，提取目标范围颜色直方图，并以当前帧目标颜色直方图占上一帧颜色直方图比例，确定颜色直方图权重，以该权重乘以上一帧目标尺寸为当前目标尺寸；

步骤5-2，若最大响应值小于给定阈值，则采用以间隔帧差法最后跟踪所确定的目标尺寸记为当前目标尺寸S_t。