论文部分内容阅读
随着计算机技术以及机器学习等理论的发展,目标跟踪这一计算机视觉领域的关键技术在军事和民用如机器人技术、智能监控、人机交互和智能制导等领域均取得了非常成功的应用。随着研究的深入,大量优秀的目标跟踪算法涌现出来。其中基于相关滤波的跟踪算法由于其高效率高精度的性能表现,自出现以后就引起了极大关注,研究人员也基于此算法展开了大量的研究改进。但是复杂的视频环境中存在的光照变化、部分遮挡、运动模糊等因素会改变目标外观,使得目标表观模型的表达能力受限从而制约目标跟踪算法的性能。本文为解决相关滤波跟踪算法中存在的这一问题,从建立鲁棒的目标表观模型出发提出了两种改进算法:一种是基于多特征融合的长期目标跟踪算法,另一种是基于卷积特征的尺度自适应目标跟踪算法。首先,本文概述了目标跟踪技术的研究背景、研究意义及现状。介绍了相关滤波跟踪算法的基本框架,总结了实际目标跟踪过程中面临的复杂视频环境。其次,详细介绍了基于多特征融合的长期目标跟踪算法。针对相关滤波跟踪算法中采用单一特征建立的目标表观模型无法鲁棒地应对复杂视频环境的问题,利用方向梯度直方图、颜色名和局部二值三种互补特征来建立稳健的目标表观模型,并在响应图层面实现三种特征的自适应融合。最后为了解决在实际跟踪过程中由于目标受到长期遮挡或出视野等因素的影响使得跟踪器发生跟踪失败的问题,算法中训练了一个随机蕨丛分类器用于在跟踪失败情况下重新检测目标。在标准数据库中的实验结果表明,算法具有良好的性能表现。然后,介绍了基于卷积特征的尺度自适应目标跟踪算法。针对相关滤波跟踪算法中采用的传统人工特征无法有效获得目标的语义信息而且表达能力有限的问题,利用具备高判别能力的卷积特征来建立更加鲁棒的目标表观模型,跟踪过程中对高维卷积特征进行主成分分析,利用PCA降维技术进行降维,以改善算法跟踪速度。同时算法在已经确定的目标位置构建尺度特征金字塔,来训练一个独立的相关滤波器用于解决跟踪过程中目标发生尺度变化的问题。在标准数据库中对算法进行了实验验证和分析,结果表明采用降维之后的深度特征建立目标模型能有效提升算法精度,同时尺度估计机制的使用也使得算法能有效应对目标的尺度变化,提升了算法的成功率。最后,总结了本文的主要研究内容,指出了算法中的不足,展望了未来的研究方向。