深度特征表達與學習的視覺跟蹤算法分析

周 鳳，佟艷艷，季世龍

(綏化學院信息工程學院，黑龍江 綏化 152000)

1 深度特征表達與學習

1.1 深度學習

深度學習的優勢主要是指三方面，其一，深度學習的網絡符合人腦視覺需求。在視覺系統信息的分級處理中，深度學習系統會對輸入信息進行層次化分析，以提高不同層級神經網絡的提取效果。其二，其與人腦視覺處理機制相似。在信息內容輸入后，會對深層次結構的網絡信息進行細致分析，細化深度學習研究的整體效果。其三，深度學習的核心是得到反映數據的本質特點，并在數據分類、預測過程中得到準確的計算參數，增加層數數據處理的有效性[1]。

1.2 深度特征表達模型

1.2.1 卷積神經網絡特征

卷積特征提取作為大型圖像處理的有效方法，將自然圖像作為基礎，通過統計特征及其他部分相同特征的確定，利用CNN特征學習法，構建權值共享網絡結構機制，以增強訓練數據的處理效果，實現卷積特征提取的目的，有效降低神經網絡功能，為網絡信息機制的協調處理提供技術支持。在卷積特征提取中，通過多層網絡結構的設計和全連接神經網絡的構建，對原始圖像進行取片操作，獲取多個局部圖像，并將這些圖像作為訓練集，降低卷積神經網絡參數的計算量，優化參數數據的處理效果，并將處理效果送入到神經網絡中，最終得到卷積特征。

1.2.2 多層PCA卷積濾波特征

Yij=Patch(Oij)={y1(j)，Y2(j)，…，Yn(j)}

(1)

在PCA研究中，通過PCA Net網絡的設定，將其作為一種簡化的卷積神經網絡，通過非線性輸出及直方圖量化的考核，構建網絡結構模型圖，降低系統操作的難度，保證深度學習網絡的簡便化。在PCA Net與CNN的神經網絡模型對比中，PCA Net的時間、空間存在著較為明顯的優勢，并在簡潔性深度學習網絡模型構建中，改變深度學習模式的使用問題，以提高各項數據參數的匹配效果，展現深度特征表達與學習算法分析的效率。

2 深度特征表達與學習算法分析中存在的問題

通過對深度學習模式的分析，在具體的算法研究中，應采用分層架構模擬的方法，通過網絡信息處理及分級機制的確定，提高復雜圖像及非結構化數據的處理效果，以增強特征數據的表達能力。雖然深度特征表達及學習算法取得了一定的成效，但是在實際的目標跟蹤監測中，仍然面臨一些限制問題：其一，在深度學習模型建立中，結合大數據的優勢，將其運用在系統層次分析中，可以加強實驗數據值的分析效果，但是會消耗樣本數量的計算時間，導致系統跟蹤中只標定第一幀圖像，降低深度特征的表達效果。其二，在目標跟蹤算法確定中，在進行實時性的項目研究中，深度神經網絡的計算量較大，在實際的技術使用中，會影響實時性的技術要求。因此在深度特征表達與學習算法技術研究中，要加強對網絡結構規模的調整，通過深度特征表達及學習算法的分析，提高計算效果的精準性，避免出現跟蹤計算不合理的問題。

3 深度特征表達與學習的視覺跟蹤算法

3.1 核相關濾波

設定訓練樣本集為(x，y)，其中，x是樣本目標，y是樣本對應的回歸目標，利用最小二乘法的核函數映射方法，可以得到濾波模板，計算方法如(2)。在運行計算量分析中，為了降低運算過程，需要采用循環矩陣的計算方法[3]。

(2)

3.2 卷積神經網絡

在卷積神經網絡的結構分析中，要根據總體結構的項目特點，確定特征提取部分、全連接層及輸出層的網絡分析方法。實際的特征提取中，要將卷積神經網絡作為核心，通過特征提取部分的確定，對卷基層、池化層的堆疊情況進行研究，以提高特征圖的獲取效果。在池化層(max-pooing層)設計中，其核心目的是實現降采樣，在這一層次處理中，可以得到分辨率較低的圖像，提高圖像識別的整體效果。在特征提取層設定之后，會得到多個特征圖像構成的特征向量，通過權連接層、終極輸出層的連接，提高卷積神經網絡數據分析的有效性[4]。

3.3 自適應更新

為了更好地應對目標尺寸、光照變化等，要計算出濾波模板及目標外觀的實時檢測方案，但是在實際的系統使用中，會遇到遮擋物的影響，導致跟蹤丟失，為了更好地發揮跟蹤任務的處理效果，應利用影響圖峰值旁瓣比(PSR)判斷分析目標，以提高系統的更新效果。濾波器的響應圖像可以直接反映出目標的跟蹤效果，如果目標受到遮擋物的響應影響，峰值通常較小，在物體干擾的情況下，會出現多個偽峰值的問題，降低深度特征表達及分析的精準性。通常情況下，PSR的計算方法如(3)。公式中的ρ為響應圖像的峰值、μ是PSR的均值、σ是PSR的標準差，在實際的數值分析中，PSR數值越大，意味著跟蹤結果越準確[5]。

(3)

3.4 跟蹤結果

在跟蹤結果確定中，要采用濾波響應峰值確定具體的跟蹤結果。結合目標外觀及上一幀更新數據來確定，將目標外觀的連接作為重點，通過相互關系結果的確定，提取不同層次的目標外觀，并對兩種濾波模板進行求和計算[6]。

4 結語

通過多層深度特征算法的使用，可以結合數據特點，降低深度卷積神經網絡的運行時間，提高濾波模板、目標外觀的更新效果，提高視覺跟蹤算法的數據處理效果，展現各項參數的計算優勢，充分滿足信息技術背景下的計算機數據分析需求。