1.一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法,其特征在于,该方法包括:第一阶段,对VGGNet19网络结构进行训练;
第二阶段,对VGGNet19网络每层卷积层的滤波器进行训练;具体包括:(1)给定首帧图像的初始目标框、目标中心以及目标大小,以所述目标中心为中心截取第一图像块;
(2)利用训练后的改进VGGNet19网络对第一图像块分别提取第一层卷积层、第四层卷积层以及第五层卷积层中的第一卷积层特征,并根据所述第一卷积层特征得到各层对应的相关滤波器,改进VGGNet19网络为:将所述VGGNet19网络的每层卷积层滤波器的数目减少为原来的一半;
(3)对第一图像块提取HOG特征,将所述HOG特征的所有循环移位得到的虚拟样本作为训练样本,并得到用于尺度估计的滤波器;
(4)读取下一帧图像,以所述目标中心为中心截取第二图像块;对所述第二图像块通过空间插值提取第一层卷积层、第四层卷积层以及第五层卷积层中的第二卷积层特征,并分别计算对应卷积层的响应得分;
(5)分别对三层卷积层得到的响应得分进行加权融合,得到最大响应得分;
(6)在以该帧图像的目标预测位置为中心,第二图像块上执行边缘框算法,得到按其得分排序的多个候选框,并对多个候选框进行过滤,进而得到候选目标中的最大响应值;
(7)根据最大响应得分和最大响应值更新目标大小;
(8)判断当前帧是否为最后一帧,若是,则结束,否则转步骤(4)。
2.根据权利要求1所述的基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法,其特征在于,所述对VGGNet19网络进行训练具体包括:训练设置各项参数后,利用小批量梯度下降优化多项逻辑回归目标,有动量地进行的训练;所述参数包括批量大小、动量、丢失率以及学习率。
3.根据权利要求1所述的基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法,其特征在于,步骤(5)中,对所述三层卷积层得到的响应得分进行加权融合,得到最大响应得分,具体包括:(51)表示第p‑1层中目标的最佳位置:
arg maxm,nfp‑1(m,n)+γfp(m,n)
其中,m和n分别表示基样本横坐标和纵坐标移动的位数, 表
示第p层上最大值的位置,fp(m,n)表示第p层卷积层对应的响应得分,fp‑1(m,n)表示第p‑1层卷积层对应的响应得分,约束表示在第p‑1层相关响应图中仅搜索以 为中心,r为半径的区域,1<p≤3,γ为系数;
(52)将来自后一层的响应值加权作为正则化项,然后反向传播到前一层的最佳位置处,以这种方式逐层传递,直到最后一层的响应图中的最大值处就是目标的预测位置,并通过将该层的特征向量与学习的线性相关滤波器w(i)进行卷积计算得到最大的响应得分fp。
4.一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪系统,其特征在于,包括:网络训练模块,用于对VGGNet19网络结构进行训练;
滤波器训练模块,用于对VGGNet19网络每层卷积层的滤波器进行训练,包括:第一图像块截取单元,用于根据给定首帧图像的初始目标框、目标中心以及目标大小,以所述目标中心为中心截取第一图像块;
特征提取单元,用于利用训练后的改进VGGNet19网络对第一图像块分别提取第一层卷积层、第四层卷积层以及第五层卷积层中的第一卷积层特征,并根据所述第一卷积层特征得到各层对应的相关滤波器,改进VGGNet19网络为:将所述VGGNet19网络的每层卷积层滤波器的数目减少为原来的一半;
滤波器训练单元,用于对第一图像块提取HOG特征,将所述HOG特征的所有循环移位得到的虚拟样本作为训练样本,并得到用于尺度估计的滤波器;
响应得分计算单元,用于读取下一帧图像,以所述目标中心为中心截取第二图像块;对所述第二图像块通过空间插值提取第一层卷积层、第四层卷积层以及第五层卷积层中的第二卷积层特征,并分别计算对应卷积层的响应得分;
最大响应得分计算单元,用于分别对三层卷积层得到的响应得分进行加权融合,得到最大响应得分;
最大响应值计算单元,用于在以该帧图像的目标预测位置为中心,第二图像块上执行边缘框算法,得到按其得分排序的多个候选框,并对多个候选框进行过滤,进而得到候选目标中的最大响应值;
目标更新单元,用于根据最大响应得分和最大响应值更新目标大小;
判断单元,用于判断当前帧是否为最后一帧,若是,则结束,否则转所述响应得分计算单元。
5.根据权利要求4所述的基于分层卷积特征和尺度自适应核相关滤波的目标跟踪系统,其特征在于,所述网络训练模块中,对VGGNet19网络进行训练具体包括:训练设置各项参数后,利用小批量梯度下降优化多项逻辑回归目标,有动量地进行的训练;所述参数包括批量大小、动量、丢失率以及学习率。
6.根据权利要求4所述的基于分层卷积特征和尺度自适应核相关滤波的目标跟踪系统,其特征在于,所述最大响应得分计算单元中,对所述三层卷积层得到的响应得分进行加权融合,得到最大响应得分,具体包括:(51)表示第p‑1层中目标的最佳位置:
arg maxm,nfp‑1(m,n)+γfp(m,n)
其中,m和n分别表示基样本横坐标和纵坐标移动的位数, 表
示第p层上最大值的位置,fp(m,n)表示第p层卷积层对应的响应得分,fp‑1(m,n)表示第p‑1层卷积层对应的响应得分,约束表示在第p‑1层相关响应图中仅搜索以 为中心,r为半径的区域,1<p≤3,γ为系数;
(52)将来自后一层的响应值加权作为正则化项,然后反向传播到前一层的最佳位置处,以这种方式逐层传递,直到最后一层的响应图中的最大值处就是目标的预测位置,并通过将该层的特征向量与学习的线性相关滤波器w(i)进行卷积计算得到最大的响应得分fp。