深度特征表达与学习的视觉跟踪算法分析

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。……