论文部分内容阅读
基于视觉的目标检测和跟踪正逐渐成为人们关注的核心和焦点，该研究需要涉及多个交叉理论学科，是一个兼具理论价值和实际意义的研究课题。与卡尔曼滤波，粒子滤波相似，基于卷积的频域滤波方式也是预测目标在下一帧可能出现的位置，从而减小计算复杂度，提高处理速度，达到鲁棒实时的跟踪的目的。卷积滤波方法主要利用局部的时空信息，对目标下一帧位置进行预测和估计，具有快速，简单，鲁棒等特点。 本文主要研究了该领域内的一种优秀而鲁棒的滤波算法，最小输出均方误差和(Minimum Output Sum of Squared Error, MOSSE)滤波算法。该算法计算复杂度非常小，实现非常简单，实验证明该算法处理速度可以达到每秒669帧。同时基于此算法的跟踪对目标在跟踪过程中出现的诸如光照变化，目标尺度变换，目标姿态变化，遮挡等都能起到非常鲁棒的作用。可以说该算法兼具了实时性与鲁棒性的特点，这在实际的跟踪场景中是非常难得的。 但是同时注意的是，该算法滤波器的学习只用到了当前帧和上一帧的信息，这可能造成跟踪发生漂移时算法的不可恢复性，最终会导致跟踪的完全失败，因此算法的抗漂移能力比较差。以此为出发点，本文提出了一种改进型MOSSE算法，通过加入历史时间上下文信息，利用历史时间上下文信息来训练弱滤波器。通过在线AdaBoost算法，挑选出比较好的滤波器组成一个更强的强滤波器，既可以适应目标的外观变化，又可以抵挡模型漂移。经过相关的对比与测试，实验结果显示改造后的算法更加的鲁棒和可靠。