[发明专利]基于分层卷积特征的长时间目标跟踪方法及系统

权利要求书

1.基于分层卷积特征的长时间目标跟踪方法，其特征是，包括：

采用预训练好的深度卷积神经网络，对每一帧视频数据提取各层的卷积特征；

按照基于相关滤波器模型求取卷积层的响应，并进行加权计算，将最终响应的最大值作为当前帧的目标中心；

在逐帧更新的过程中设定阈值，只有当跟踪响应值大于阈值时进行更新相关滤波器模型，否则采用上一帧的相关滤波器模型，同时，跟踪响应值低于设定的阈值时，采用随机蕨算法进行目标的重检测；

更新相关滤波器模型时的函数公式具体为：

其中，p₁和p₂分别表示前景和背景目标响应的峰值，θ_s是设定的阈值，和分别表示滤波器模型的分子和分母，η表示学习率，表示相关系数，y表示高斯数据标签，λ表示正则化系数。

2.如权利要求1所述的基于分层卷积特征的长时间目标跟踪方法，其特征是，采用预训练好的深度卷积神经网络的Conv3-4，Conv4-4，Conv5-4这三个层提取卷积特征。

3.如权利要求1所述的基于分层卷积特征的长时间目标跟踪方法，其特征是，选取相关滤波器模型时，设置数据标签，根据数据标签生成滤波器模型，然后生成各个通道下的滤波器模型，再求解一个卷积层对应的滤波器响应，最后计算卷积层Conv3-4，Conv4-4，Conv5-4的加权响应。

4.如权利要求1所述的基于分层卷积特征的长时间目标跟踪方法，其特征是，重检测过程具体如下：

已知分类类别C_i，i＝1，...，M和图像特征f_j，j＝1，...，H，将所有的特征H分成M堆，每一个堆的特征数目为N＝H/M，在每一个堆中考虑全部特征的联合概率分布；

根据最大似然估计，对每一棵蕨树下的联合概率分布进行计算；

求取各个类别下联合概率分布的最大值；

根据贝叶斯理论，利用各个类别下联合概率分布的最大值，得到最终的分类结果。

5.如权利要求1所述的基于分层卷积特征的长时间目标跟踪方法，其特征是，利用上述基于分层卷积特征的长时间目标跟踪方法对视频数据集进行处理，在评估处理结果时，针对视频的11个属性分别进行一次性通过的准确率和成功率指标计算；

准确率显示的是中心位置误差小于阈值的帧数占总帧数的百分比，中心位置误差指的是实时测量的跟踪目标的中心位置和目标基准框中心位置之间的欧式距离；

成功率表示的是重叠率大于指定阈值的帧数占整个视频总帧数的百分比，重叠率是指计算得到的目标框与基准框的交集像素点数与并集像素点数的比值，当阈值从0到1变化时成功跟踪帧数所占的比例可以用成功率图的曲线下面积表示；

其中，11个属性分别为：光照变化、平面外旋转、尺度变化、遮挡、形变、运动模糊、快速运动、平面内旋转、超出视野、背景斑、低分辨率。

6.基于分层卷积特征的长时间目标跟踪系统，其特征是，包括：

特征提取模块，采用预训练好的深度卷积神经网络，对每一帧视频数据提取各层的卷积特征；

目标中心计算模块，按照基于相关滤波器模型求取卷积层的响应，并进行加权计算，将最终响应的最大值作为当前帧的目标中心；

特征提取模块，在逐帧更新的过程中设定阈值，只有当跟踪响应值大于阈值时进行更新相关滤波器模型，否则采用上一帧的相关滤波器模型，同时，跟踪响应值低于设定的阈值时，重检测模块采用随机蕨算法进行目标的重检测；

更新相关滤波器模型时的函数公式具体为：

其中，p₁和p₂分别表示前景和背景目标响应的峰值，θ_s是设定的阈值，和分别表示滤波器模型的分子和分母，η表示学习率，表示相关系数，y表示高斯数据标签，λ表示正则化系数。