[发明专利]一种基于孪生网络的学习目标跟踪算法

权利要求书

1.一种基于孪生网络的学习目标跟踪算法，其特征在于，包括如下步骤：

第一步：设定一个函数比较模板图像x和候选图像y的特征图相似度，响应值最大对应目标位置，x一般是第一帧中目标为中心的图像，y则是第n帧中以n-1帧图像目标为中心搜索的图像；

两个输入都代入卷积神经网络，使用卷积处理函数，学习网络参数ρ，产生两个互相关的映射，

通过上式在y处对x进行穷举搜索，则响应最大值对应目标的位置；

第二步：根据上式，在孪生网络中输入x和互相关操作之间增加改进的判别式相关滤波层，因此得分响应变化为

第三步：通过过衡量模板图像x与搜索图像y之间的相似性进行跟踪，其中模板图像即跟踪目标，搜索图像则为新一帧中以前一帧预测的目标位置为中心提取出的搜索区域，引入尺度参数δ和偏差参数b使得分的范围更适合逻辑回归()，网络在离线情况下从视频集中抽选出大量随机对{x，y}进行训练，每个示例都有一个标签为t的空间映射，值为{-1，1}，正确的目标位置属于正类，其它的全部为负类，卷积网络的参数通过随机梯度下降算法最小化损失函数获得训练网络采取判别性方法，

在正负样本对上采用最大似然估计离线训练得到卷积网络的参数后，在线跟踪时凭借判别式相关滤波器模块来进行在线微调以保证跟踪的准确性。

2.根据权利要求1所述的一种基于孪生网络的学习目标跟踪算法，其特征在于，所述判别式相关滤波器模块的计算方法如下：

首先进行因式分解卷积，根据矩阵运算的规律，可以有效地降低数据的维数，通过卷积神经网络提取出特征C(x)，通过多个滤波器响应求来检测目标得分计算

其中，f是每个维度的特征，每个维度特征对应一个滤波器，因为很多滤波器的贡献很小，本文只选择其中贡献较大的C个滤波器，定义一个系数矩阵P(D行C列)每一行代表一个维度的特征对应的C个滤波器的线性组合稀疏，因式分解卷积后新的检测函数变化为

其中，*代表循环卷积，代表循环互相关，使得图像的循环移位內积接近期望响应Z[u]使用二次正则化防止过拟合