论文部分内容阅读
目标跟踪是计算机视觉领域一项富有挑战性的工作。现实场景的复杂、目标自身的外观变化和目标运动的不确定性都给目标跟踪工作带来很大的困难。一个鲁棒性的跟踪算法,不仅需要构建具有判别力的外观模型,还需要设计一个好的目标搜索策略来预测目标的运动趋势。本文重点关注目标发生运动突变这一跟踪领域的技术难点,对构建鲁棒性跟踪算法进行探索和研究。针对复杂场景下的运动突变目标跟踪问题,本文首先从视觉显著性检测领域寻找为全局搜索提供先验的灵感,设计了基于视觉显著性的Wang-Landau蒙特卡罗采样(WLMC)算法；在此基础上,结合交互式马尔可夫蒙特卡罗(IMCMC)算法,设计两阶段采样模型来提高目标搜索的精确性。具体研究成果及创新之处如下：1、提出了基于视觉显著性的WLMC跟踪算法算法首先对全局场景进行分块获取子区域,然后将视觉显著性信息引入到WLMC跟踪框架中,通过为每个子区域设置显著性值,并设计结合显著性先验的接受函数,来引导马尔可夫链的构造,避免WLMC进行全局采样的盲目性,从而准确捕获运动突变目标。2、提出了基于视觉显著性的两阶段采样跟踪算法为了更好地兼顾突变运动和平滑运动两种运动形式,本文提出了基于视觉显著性的两阶段采样跟踪算法。算法在第一阶段设计了判别机制来对目标运动类型进行判别；第二阶段则根据判别结果采用相应算法：突变运动采用基于视觉显著性的WLMC算法,平滑运动采用交互式马尔可夫链蒙特卡罗(IMCMC)算法,以此完成目标跟踪,提高算法的鲁棒性。本文对提出的两个算法进行了大量的实验测试。实验结果表明：基于视觉显著性的WLMC算法在突变目标的跟踪上优于当前主流的突变运动目标跟踪算法；基于视觉显著性的两阶段采样跟踪算法能够很好地兼顾突变运动和平滑运动两种运动模式,与当前具有代表性的5种目标跟踪算法相比,在通用测试集上的跟踪效果表现更为稳定,中心误差更小。