[发明专利]基于多层深度特征的分块跟踪算法

说明书

本发明提供了一种基于多层深度特征的分块跟踪算法，采用深度卷积网络VGG‑19提取目标的卷积特征，在核相关滤波跟踪框架进行跟踪；采用DPM进行目标状态的估计，对高层表观模型和低层表观模型进行加权组合，根据分块方案对两类表观模型采用不同的更新策略。本发明采用可变形分块模型实现抗遮挡的分块跟踪，具有很好的跟踪精度和鲁棒性，充分利用了深度卷积特征的表达能力，跟踪性能优异，可变形分块模型有效提高了算法的抗遮挡性能。

技术领域

本发明涉及视觉跟踪领域，特别涉及一种分块跟踪算法。

背景技术

近年来，深度学习在图像分类、目标检测领域取得巨大的成功，研究者希望利用深度学习优秀的特征提取和目标表达能力提高目标跟踪算法的性能。Wang Naiyan等人(AlexKrizhevsky,Ilya Sutskever,Geoffrey E.Hinton.2012.Annual Conference on NeuralInformation Processing Systems,Lake Tahoe,Nevada,1106.)提出用大量的辅助数据采用无监督方式训练一个栈式去噪自编码器，在跟踪过程中用自编码器的编码部分提取特征。DeepTrack(H.Li,Y.Li,F.Porikli.2014.British Machine Vision Conference,Nottingham,UK,1.)算法将目标跟踪看做前背景分类问题，采用三层卷积神经网络构建分类器，以完全在线的方式学习目标特征。利用预训练CNN得到目标显著图，通过在线学习支持向量机得到跟踪结果(Lijun Wang,Wanli Ouyang,Xiaogang Wang,HuchuanLu.2015.International Conference on Computer Vision,Santiago,Chile,3119.)，此方法利用多层CNN提取目标特征，有效提高了跟踪的精度和鲁棒性，但均采用在线学习网络或支持向量机，需要大量的训练样本和运算时间。Ma Chao等人(MA C,HUANG J B,YANG XK.2015.International Conference on Computer Vision,Santiago,Chile,3038.)指出已有基于深度学习的跟踪算法仅利用深度网络的最后一层表达目标，无法充分挖掘CNN对目标的多语义层次表达能力，提出提取预训练的多层CNN的卷积特征，结合核相关滤波框架进行跟踪。对深度网络的多层次语义表达能力进行挖掘，在多层CNN的后面增加了两个并行的浅层网络，通过在线更新浅层网络进行特征选择，有效避免噪声和过拟合问题。

局部遮挡是跟踪算法面临的主要挑战性难点之一。在出现局部遮挡或者目标局部变形时，可能出现跟踪不准确的情况，极大地限制了该技术的广泛应用。

发明内容

为了克服现有技术的不足，本发明提供一种基于多层深度特征的跟踪算法，采用可变形分块模型实现抗遮挡的分块跟踪。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1，采用深度卷积网络VGG-19提取目标的卷积特征，在核相关滤波跟踪框架进行跟踪；

步骤2，采用DPM进行目标状态的估计，对高层表观模型和低层表观模型进行加权组合，根据分块方案对两类表观模型采用不同的更新策略。

所述的核相关滤波跟踪框架包括目标位置估计和表观模型训练；第一帧中目标状态由人工给定，据此提取目标特征，训练目标的判别式表观模型(α₁,x₁)，α₁为滤波器系数，x₁为目标的特征表示；第二帧图像到来时，利用上一帧的表观模型计算滤波响应图，图中最大值处即为目标位置，然后对表观模型进行更新，开始下一帧的跟踪，如此迭代。