深度特征表达与学习的视觉跟踪算法分析

2021-11-01佟艳艳季世龙

黑龙江科学 2021年20期

周凤，佟艳艳，季世龙

(绥化学院信息工程学院，黑龙江绥化 152000)

1 深度特征表达与学习

1.1 深度学习

深度学习的优势主要是指三方面，其一，深度学习的网络符合人脑视觉需求。在视觉系统信息的分级处理中，深度学习系统会对输入信息进行层次化分析，以提高不同层级神经网络的提取效果。其二，其与人脑视觉处理机制相似。在信息内容输入后，会对深层次结构的网络信息进行细致分析，细化深度学习研究的整体效果。其三，深度学习的核心是得到反映数据的本质特点，并在数据分类、预测过程中得到准确的计算参数，增加层数数据处理的有效性[1]。

1.2 深度特征表达模型

1.2.1 卷积神经网络特征

卷积特征提取作为大型图像处理的有效方法，将自然图像作为基础，通过统计特征及其他部分相同特征的确定，利用CNN特征学习法，构建权值共享网络结构机制，以增强训练数据的处理效果，实现卷积特征提取的目的，有效降低神经网络功能，为网络信息机制的协调处理提供技术支持。在卷积特征提取中，通过多层网络结构的设计和全连接神经网络的构建，对原始图像进行取片操作，获取多个局部图像，并将这些图像作为训练集，降低卷积神经网络参数的计算量，优化参数数据的处理效果，并将处理效果送入到神经网络中，最终得到卷积特征。

1.2.2 多层PCA卷积滤波特征

Yij=Patch(Oij)={y1(j)，Y2(j)，…，Yn(j)}

(1)

在PCA研究中，通过PCA Net网络的设定，将其作为一种简化的卷积神经网络，通过非线性输出及直方图量化的考核，构建网络结构模型图，降低系统操作的难度，保证深度学习网络的简便化。在PCA Net与CNN的神经网络模型对比中，PCA Net的时间、空间存在着较为明显的优势，并在简洁性深度学习网络模型构建中，改变深度学习模式的使用问题，以提高各项数据参数的匹配效果，展现深度特征表达与学习算法分析的效率。

2 深度特征表达与学习算法分析中存在的问题

通过对深度学习模式的分析，在具体的算法研究中，应采用分层架构模拟的方法，通过网络信息处理及分级机制的确定，提高复杂图像及非结构化数据的处理效果，以增强特征数据的表达能力。虽然深度特征表达及学习算法取得了一定的成效，但是在实际的目标跟踪监测中，仍然面临一些限制问题：其一，在深度学习模型建立中，结合大数据的优势，将其运用在系统层次分析中，可以加强实验数据值的分析效果，但是会消耗样本数量的计算时间，导致系统跟踪中只标定第一帧图像，降低深度特征的表达效果。其二，在目标跟踪算法确定中，在进行实时性的项目研究中，深度神经网络的计算量较大，在实际的技术使用中，会影响实时性的技术要求。因此在深度特征表达与学习算法技术研究中，要加强对网络结构规模的调整，通过深度特征表达及学习算法的分析，提高计算效果的精准性，避免出现跟踪计算不合理的问题。

3 深度特征表达与学习的视觉跟踪算法

3.1 核相关滤波

设定训练样本集为(x，y)，其中，x是样本目标，y是样本对应的回归目标，利用最小二乘法的核函数映射方法，可以得到滤波模板，计算方法如(2)。在运行计算量分析中，为了降低运算过程，需要采用循环矩阵的计算方法[3]。

(2)

3.2 卷积神经网络

在卷积神经网络的结构分析中，要根据总体结构的项目特点，确定特征提取部分、全连接层及输出层的网络分析方法。实际的特征提取中，要将卷积神经网络作为核心，通过特征提取部分的确定，对卷基层、池化层的堆叠情况进行研究，以提高特征图的获取效果。在池化层(max-pooing层)设计中，其核心目的是实现降采样，在这一层次处理中，可以得到分辨率较低的图像，提高图像识别的整体效果。在特征提取层设定之后，会得到多个特征图像构成的特征向量，通过权连接层、终极输出层的连接，提高卷积神经网络数据分析的有效性[4]。

3.3 自适应更新

为了更好地应对目标尺寸、光照变化等，要计算出滤波模板及目标外观的实时检测方案，但是在实际的系统使用中，会遇到遮挡物的影响，导致跟踪丢失，为了更好地发挥跟踪任务的处理效果，应利用影响图峰值旁瓣比(PSR)判断分析目标，以提高系统的更新效果。滤波器的响应图像可以直接反映出目标的跟踪效果，如果目标受到遮挡物的响应影响，峰值通常较小，在物体干扰的情况下，会出现多个伪峰值的问题，降低深度特征表达及分析的精准性。通常情况下，PSR的计算方法如(3)。公式中的ρ为响应图像的峰值、μ是PSR的均值、σ是PSR的标准差，在实际的数值分析中，PSR数值越大，意味着跟踪结果越准确[5]。

(3)