[发明专利]基于深度卷积特征自适应集成的目标跟踪方法

权利要求书

1.一种基于深度卷积特征自适应集成的目标跟踪方法，其特征在于，利用集成矢量对目标区域多通道的深度卷积特征进行自适应集成，对集成矢量在线更新，使特征表达符合当前帧的目标特性，该方法具体步骤包括如下：

(1)提取深度卷积特征：

(1a)从含有待跟踪目标视频图像序列中选取一帧未选过的图像作为当前帧；

(1b)将当前帧中含有目标的区域内所有像素输入到卷积神经网络VGG-19中，将该网络的第10层、第28层、第37层输出的3个通道特征拼接为一个目标区域多通道的深度卷积特征；

(2)计算核相关滤波器：

(2a)按照下式，计算当前帧当前迭代的核相关滤波器：

其中，d_j-1表示当前帧第j-1次迭代的集成矢量，d₀表示当前帧第j＝1次迭代时的前一帧集成矢量；

(2b)按照下式，计算当前帧当前迭代的集成矢量；

其中，d_j表示当前帧第j次迭代的集成矢量，表示求平方根操作，p表示当前帧的深度卷积特征，*表示复共轭操作，⊙表示点乘操作，α_j表示当前帧第j次迭代的核相关滤波器，T表示转置操作，v表示含有目标区域的标签，λ表示正则系数；

(2c)按照下式，计算当前帧当前迭代的最小二乘目标损失差值：

L＝L'-L”＝α'(d'^Tp^*⊙pd')-v²-α”(d”^Tp^*⊙pd”)-v²

其中，L表示当前帧当前迭代的最小二乘目标损失差值，L'表示当前帧当前迭代的最小二乘目标损失值，L”表示当前帧前一次迭代的最小二乘目标损失值，²表示L2范数操作，α'表示当前帧当前迭代的核相关滤波器，d'表示当前帧当前迭代的集成矢量，α”表示当前帧前一次迭代的核相关滤波器，d”表示当前帧前一次迭代的集成矢量；

(2d)判断当前迭代的最小二乘目标损失差值是否满足终止条件，若是，则执行步骤(2e)，否则，将j+1作为当前帧当前迭代次数后执行步骤(2a)；

(2e)使用下述核相关滤波器更新公式，更新当前帧的核相关滤波器：

其中，表示取值0.01的核相关滤波器学习率，d_t-1表示前一帧的集成矢量，d_t表示当前帧的集成矢量；

(3)使用下述集成矢量更新公式，更新当前帧的集成矢量；

其中，d_t'表示当前帧更新后的集成矢量，ε表示取值0.01集成矢量学习率，k表示深度卷积特征点乘复共轭的深度卷积特征操作，α_t-1表示前一帧的核相关滤波器，α_t表示当前帧的核相关滤波器；

(4)利用自适应集成计算公式预测当前帧图像的目标位置：

(4a)使用自适应集成计算公式，分别计算当前帧以及前一帧的深度卷积特征加权集成后得到的目标集成特征；

(4b)使用响应矩阵计算公式，计算核相关滤波器在当前帧目标集成特征上产生的响应矩阵；

(4c)将响应矩阵中最大元素的位置作为当前帧待跟踪目标的中心位置；

(5)使用深度卷积特征更新公式更新当前帧的深度卷积特征；

(6)判断是否选完含有待跟踪目标视频图像序列中的所有帧图像，若是，则执行步骤(7)，否则，执行步骤(1)；

(7)将迭代终止时当前帧的目标中心位置作为待跟踪目标的中心位置。

2.根据权利要求1所述的基于深度卷积特征自适应集成的目标跟踪方法，其特征在于，步骤(2d)中所述终止条件是指满足下述条件之一的情形：

条件1，当前迭代次数是否达到最大迭代次数100；

条件2，最小二乘目标损失差值是否小于取值0.005的阈值。