深度特征表達與學(xué)習(xí)的視覺跟蹤算法分析

周 鳳，佟艷艷，季世龍

(綏化學(xué)院信息工程學(xué)院，黑龍江 綏化 152000)

1 深度特征表達與學(xué)習(xí)

1.1 深度學(xué)習(xí)

深度學(xué)習(xí)的優(yōu)勢主要是指三方面，其一，深度學(xué)習(xí)的網(wǎng)絡(luò)符合人腦視覺需求。在視覺系統(tǒng)信息的分級處理中，深度學(xué)習(xí)系統(tǒng)會對輸入信息進行層次化分析，以提高不同層級神經(jīng)網(wǎng)絡(luò)的提取效果。其二，其與人腦視覺處理機制相似。在信息內(nèi)容輸入后，會對深層次結(jié)構(gòu)的網(wǎng)絡(luò)信息進行細致分析，細化深度學(xué)習(xí)研究的整體效果。其三，深度學(xué)習(xí)的核心是得到反映數(shù)據(jù)的本質(zhì)特點，并在數(shù)據(jù)分類、預(yù)測過程中得到準確的計算參數(shù)，增加層數(shù)數(shù)據(jù)處理的有效性[1]。

1.2 深度特征表達模型

1.2.1 卷積神經(jīng)網(wǎng)絡(luò)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(chǔ)，通過統(tǒng)計特征及其他部分相同特征的確定，利用CNN特征學(xué)習(xí)法，構(gòu)建權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)機制，以增強訓(xùn)練數(shù)據(jù)的處理效果，實現(xiàn)卷積特征提取的目的，有效降低神經(jīng)網(wǎng)絡(luò)功能，為網(wǎng)絡(luò)信息機制的協(xié)調(diào)處理提供技術(shù)支持。在卷積特征提取中，通過多層網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計和全連接神經(jīng)網(wǎng)絡(luò)的構(gòu)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(xùn)練集，降低卷積神經(jīng)網(wǎng)絡(luò)參數(shù)的計算量，優(yōu)化參數(shù)數(shù)據(jù)的處理效果，并將處理效果送入到神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)的設(shè)定，將其作為一種簡化的卷積神經(jīng)網(wǎng)絡(luò)，通過非線性輸出及直方圖量化的考核，構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)模型圖，降低系統(tǒng)操作的難度，保證深度學(xué)習(xí)網(wǎng)絡(luò)的簡便化。在PCA Net與CNN的神經(jīng)網(wǎng)絡(luò)模型對比中，PCA Net的時間、空間存在著較為明顯的優(yōu)勢，并在簡潔性深度學(xué)習(xí)網(wǎng)絡(luò)模型構(gòu)建中，改變深度學(xué)習(xí)模式的使用問題，以提高各項數(shù)據(jù)參數(shù)的匹配效果，展現(xiàn)深度特征表達與學(xué)習(xí)算法分析的效率。

2 深度特征表達與學(xué)習(xí)算法分析中存在的問題

通過對深度學(xué)習(xí)模式的分析，在具體的算法研究中，應(yīng)采用分層架構(gòu)模擬的方法，通過網(wǎng)絡(luò)信息處理及分級機制的確定，提高復(fù)雜圖像及非結(jié)構(gòu)化數(shù)據(jù)的處理效果，以增強特征數(shù)據(jù)的表達能力。雖然深度特征表達及學(xué)習(xí)算法取得了一定的成效，但是在實際的目標(biāo)跟蹤監(jiān)測中，仍然面臨一些限制問題：其一，在深度學(xué)習(xí)模型建立中，結(jié)合大數(shù)據(jù)的優(yōu)勢，將其運用在系統(tǒng)層次分析中，可以加強實驗數(shù)據(jù)值的分析效果，但是會消耗樣本數(shù)量的計算時間，導(dǎo)致系統(tǒng)跟蹤中只標(biāo)定第一幀圖像，降低深度特征的表達效果。其二，在目標(biāo)跟蹤算法確定中，在進行實時性的項目研究中，深度神經(jīng)網(wǎng)絡(luò)的計算量較大，在實際的技術(shù)使用中，會影響實時性的技術(shù)要求。因此在深度特征表達與學(xué)習(xí)算法技術(shù)研究中，要加強對網(wǎng)絡(luò)結(jié)構(gòu)規(guī)模的調(diào)整，通過深度特征表達及學(xué)習(xí)算法的分析，提高計算效果的精準性，避免出現(xiàn)跟蹤計算不合理的問題。

3 深度特征表達與學(xué)習(xí)的視覺跟蹤算法

3.1 核相關(guān)濾波

設(shè)定訓(xùn)練樣本集為(x，y)，其中，x是樣本目標(biāo)，y是樣本對應(yīng)的回歸目標(biāo)，利用最小二乘法的核函數(shù)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(huán)矩陣的計算方法[3]。

(2)

3.2 卷積神經(jīng)網(wǎng)絡(luò)

在卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)分析中，要根據(jù)總體結(jié)構(gòu)的項目特點，確定特征提取部分、全連接層及輸出層的網(wǎng)絡(luò)分析方法。實際的特征提取中，要將卷積神經(jīng)網(wǎng)絡(luò)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(shè)計中，其核心目的是實現(xiàn)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(shè)定之后，會得到多個特征圖像構(gòu)成的特征向量，通過權(quán)連接層、終極輸出層的連接，提高卷積神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分析的有效性[4]。

3.3 自適應(yīng)更新

為了更好地應(yīng)對目標(biāo)尺寸、光照變化等，要計算出濾波模板及目標(biāo)外觀的實時檢測方案，但是在實際的系統(tǒng)使用中，會遇到遮擋物的影響，導(dǎo)致跟蹤丟失，為了更好地發(fā)揮跟蹤任務(wù)的處理效果，應(yīng)利用影響圖峰值旁瓣比(PSR)判斷分析目標(biāo)，以提高系統(tǒng)的更新效果。濾波器的響應(yīng)圖像可以直接反映出目標(biāo)的跟蹤效果，如果目標(biāo)受到遮擋物的響應(yīng)影響，峰值通常較小，在物體干擾的情況下，會出現(xiàn)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(yīng)圖像的峰值、μ是PSR的均值、σ是PSR的標(biāo)準差，在實際的數(shù)值分析中，PSR數(shù)值越大，意味著跟蹤結(jié)果越準確[5]。

(3)

3.4 跟蹤結(jié)果

在跟蹤結(jié)果確定中，要采用濾波響應(yīng)峰值確定具體的跟蹤結(jié)果。結(jié)合目標(biāo)外觀及上一幀更新數(shù)據(jù)來確定，將目標(biāo)外觀的連接作為重點，通過相互關(guān)系結(jié)果的確定，提取不同層次的目標(biāo)外觀，并對兩種濾波模板進行求和計算[6]。

4 結(jié)語

通過多層深度特征算法的使用，可以結(jié)合數(shù)據(jù)特點，降低深度卷積神經(jīng)網(wǎng)絡(luò)的運行時間，提高濾波模板、目標(biāo)外觀的更新效果，提高視覺跟蹤算法的數(shù)據(jù)處理效果，展現(xiàn)各項參數(shù)的計算優(yōu)勢，充分滿足信息技術(shù)背景下的計算機數(shù)據(jù)分析需求。