·728· 智能系统学报 第14卷 搜索区域，用X表示，其维度是H×W×3,将两 大，则颜色越红)。相对的，在搜索区域中，目标的 者通过权值固定的卷积网络f,f是文献[25]中 外形占比一定大于局部特征的占比，所以利用了 所提出的AlexNet网络（不包含全连接层），提取出 外形信息的滤波匹配的位置响应大多会集中在目 对应的卷积特征Z,和X,之后，通过相关操作得 标区域处，如图5中滤波匹配的位置响应图所示， 出目标的位置响应， 联合该外形信息的位置响应，可以有效地突出目 2.1.2滤波匹配部分 标的所在区域，使得位置响应集中在目标区域 在追踪器的滤波匹配部分，主要使用方向梯 处，从而达到抑制噪声，避免位置发生漂移的目 度直方图来提取目标的外形信息。由于目标的外 的。如图5中修正的位置响应图所示，可以看到 形信息常常存在于目标与背景之间，为了提取目 标的外形信息，需要包含一些背景信息，因此本 目标的位置响应图在修正后，抑制住了左边的噪 文直接在X中进行目标的外形信息提取。如果 声响应。联合该外形位置响应，涉及到数据融合 当前帧是首帧的话，就使用式(2)初始化滤波匹 技术，可以使用加权平均法、贝叶斯估计法2、卡 配时所需要的A和B,如果当前帧不是首帧的 尔曼滤波法7等，本文为验证想法直接采用了最 话，就利用式（⑤）求得目标的位置响应，然后再利 为简单的加权平均法： 用式(3)和式(4)更新A和B。 Rv=7Row+(1-刀)Roui (6) 2.2修正部分 式中：？是权重值；Rmv是卷积匹配的位置响应； 在没有使用外形信息对位置响应进行修正的 Raul是利用外形信息的滤波匹配的位置响应；R 情况下，由于卷积特征中多是类似于局部的、方 是最终经过修正之后的位置响应。三者之间的关 向性的特征，这种碎片化的特征容易导致在远离 系可参考图4，由于修正前Rom和Rt的量纲不 目标的区域处产生极大的位置响应点，从而形成 一致，故而在修正前，先分别对两个位置响应进 位置响应噪声。如图5中卷积匹配的位置响应图 行如下的归一化处理： 所示(X、Y轴无十分重要的物理意义，Z轴表示相 Rold (7) 关性程度，数值越大表示该处与目标的相关性越 Raom三 max(Rold) 的区域目标皮 0.50 1.0 0.8 0.000030 0.23 0.6 0.000025 0.4 0.000020 0.2 0.000015N -0.50 0.75 0.000010 0.2 0.000005 -1.00 00 100-50050100-1m%0.7l% 010o -10050050100 -100-50050100 0S0 X -100 (a)卷积匹配的位置响应 (6)滤波匹配的位置响应 (c)修正的位置响应 图5位置响应的变化 Fig.5 The transform of position response map 3实验配置以及评价指标 sigmoid(x)=1+exp(-x) (9) 3.1实验细节 训练时，网络的输入是一对样本，并且，执行 卷积匹配部分，网络的构成同文献[12]一样 一次梯度下降使用8对样本，一对样本中，Z的维 (去除了网络的全连接部分)，权重的取值是经过 度是127×127×3，X的维度是255×255×3，经过 网络f后，Z,的维度是6×6×256，X的维度是 405650次随机梯度下降得到的，网络训练的数据 22×22×256,Rv经过三线性插值后，维度为 集是从ILSVRC-2015视频数据集2中提取出的 255×255,学习率采用动态学习率，初始值为0.01， 4417个视频序列，网络训练的损失函数为 然后使用如下的指数衰减法进行衰减： leaa=N'∑G×-ln(sigmoid(R)l川+ Sglobal 1=linit xrSdecay (10) (1-G)x-In(1-sigmoid(Rie (8) 式中：1是初始学习率；，是初始学习率的基本 式中：N为G中的元素个数；i、j为G中元素索 保留率，本文中取值为0.8685；5b表示当前是 引；sigmoid函数为： 第几次梯度下降；sy表示经过几次梯度下降X Hx ×Wx ×3 f f Zf Xf 搜索区域，用 表示，其维度是 ，将两 者通过权值固定的卷积网络 ， 是文献 [25] 中 所提出的 AlexNet 网络 (不包含全连接层)，提取出 对应的卷积特征 和 之后，通过相关操作得 出目标的位置响应。 2.1.2 滤波匹配部分 X A B A B 在追踪器的滤波匹配部分，主要使用方向梯 度直方图来提取目标的外形信息。由于目标的外 形信息常常存在于目标与背景之间，为了提取目 标的外形信息，需要包含一些背景信息，因此本 文直接在 中进行目标的外形信息提取。如果 当前帧是首帧的话，就使用式 (2) 初始化滤波匹 配时所需要的 和 ，如果当前帧不是首帧的 话，就利用式 (5) 求得目标的位置响应，然后再利 用式 (3) 和式 (4) 更新 和 。 2.2 修正部分 在没有使用外形信息对位置响应进行修正的 情况下，由于卷积特征中多是类似于局部的、方 向性的特征，这种碎片化的特征容易导致在远离 目标的区域处产生极大的位置响应点，从而形成 位置响应噪声。如图 5 中卷积匹配的位置响应图 所示 (X、Y 轴无十分重要的物理意义，Z 轴表示相 关性程度，数值越大表示该处与目标的相关性越 大，则颜色越红)。相对的，在搜索区域中，目标的 外形占比一定大于局部特征的占比，所以利用了 外形信息的滤波匹配的位置响应大多会集中在目 标区域处，如图 5 中滤波匹配的位置响应图所示， 联合该外形信息的位置响应，可以有效地突出目 标的所在区域，使得位置响应集中在目标区域 处，从而达到抑制噪声，避免位置发生漂移的目 的。如图 5 中修正的位置响应图所示，可以看到 目标的位置响应图在修正后，抑制住了左边的噪 声响应。联合该外形位置响应，涉及到数据融合 技术，可以使用加权平均法、贝叶斯估计法[26] 、卡 尔曼滤波法[27] 等，本文为验证想法直接采用了最 为简单的加权平均法： Rrev = ηRconv +(1−η)Routl (6) η Rconv Routl Rrev Rconv Routl 式中： 是权重值； 是卷积匹配的位置响应； 是利用外形信息的滤波匹配的位置响应； 是最终经过修正之后的位置响应。三者之间的关 系可参考图 4，由于修正前 和 的量纲不 一致，故而在修正前，先分别对两个位置响应进 行如下的归一化处理： Rnorm = Rold max(Rold) (7) 图 5 位置响应的变化 Fig. 5 The transform of position response map 3 实验配置以及评价指标 3.1 实验细节 卷积匹配部分，网络的构成同文献 [12] 一样 (去除了网络的全连接部分)，权重的取值是经过 405 650 次随机梯度下降得到的，网络训练的数据 集是从 ILSVRC-2015 视频数据集[29] 中提取出的 4 417 个视频序列，网络训练的损失函数为 ltrain =N −1∑ i, j Gi j × [ −ln( sigmoid( R i j conv))]+ ( 1−Gi j) × [ −ln( 1−sigmoid( R i j conv))] (8) N G i j G sigmoid 式中： 为 中的元素个数； 、 为 中元素索 引； 函数为： sigmoid(x) = 1 1+exp(−x) (9) Z 127×127×3 X 255×255×3 f Zf 6×6×256 Xf 22×22×256 Rconv 255×255 0.01 训练时，网络的输入是一对样本，并且，执行 一次梯度下降使用 8 对样本，一对样本中， 的维 度是 ， 的维度是 ，经过 网络 后 ， 的维度是 ， 的维度是 ， 经过三线性插值后，维度为 ，学习率采用动态学习率，初始值为 ， 然后使用如下的指数衰减法进行衰减： l = linit ×r sglobal sdecay (10) linit r sglobal sdecay 式中： 是初始学习率； 是初始学习率的基本 保留率，本文中取值为 0.868 5； 表示当前是 第几次梯度下降； 表示经过几次梯度下降 ·728· 智 能 系 统 学 报 第 14 卷