[发明专利]一种增强的多层卷积视觉跟踪方法

说明书

一种增强的多层卷积视觉跟踪方法，具体为：采用VGG‑19深层网络框架，采用0.5倍第三层与0.5倍第四层卷积层直接加和作为输出特征模板，并通过主成分分析对特征模板降维得到所需特征图，采用加和的卷积特征，增加所提取特征的鲁棒性；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；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。本发明缓解了跟踪当中姿态、光照强度等因素导致目标外观变化以及遮挡等问题。

技术领域

本发明涉及机器视觉目标跟踪领域，尤其是涉及一种增强的多层卷积视觉跟踪方法。

背景技术

机器视觉在最近几年越来越受关注，目标跟踪作为机器视觉的一个重要研究方向，在智能机器人、智能交通、人机交互等方面有广泛的应用。目前目标跟踪算法主要分为两种:产生式跟踪方法和判别式跟踪方法；产生式目标跟踪算法着重于对目标的本身的刻画，不断去搜索和目标最相似的区域，代表方法有模板匹配、粒子滤波、均值漂移算法等。判别式方法旨在将目标从背景中区分出来，就是将跟踪问题变为二分类问题，代表算法有相关滤波跟踪算法、多层卷积视觉跟踪算法。

2010年相关滤波跟踪算法的提出，使得跟踪算法速度和性能上有了很大的提升；但是对跟踪当中的运动物体之间的部分遮挡、全遮挡或长时间遮挡，姿态、光照强度等因素导致目标外观的变化以及目标的快速变化导致的跟踪漂移等问题仍没有较好的解决办法。2006年，Hinton团队提出了深层网络训练中梯度消失问题的解决方案。2012年，Hinton团队为了证明深度学习的潜力，首次参加ImageNet图像识别比赛，其通过构建的卷积神经网络AlexNet一举夺得冠军，且碾压第二名(SVM方法)的分类性能。卷积神经网络也因此得到跟踪领域学者的广泛关注，与之相关的跟踪算法也是相继提出。

卷积网络的出现很大缓解跟踪当中姿态、光照强度等因素导致目标外观变化的问题，但是同样速度慢对设备要求高也严重影响了卷积算法在跟踪领域的应用。卷积算法跟踪的速度也成为众多深度学者研究的重要方向。

发明内容

本发明目的在于提出一种增强的多层卷积视觉跟踪方法，在快速自适应相关滤波算法框架下通过多层卷积网络提取更加鲁棒的卷积特征加入尺度策略并引入帧差法与边缘提取来解决跟踪当中的遮挡和目标快速变化的问题。

为实现上述目的，采用了以下技术方案：本发明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

进一步的，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；