论文部分内容阅读
鲁棒性的视觉单目标跟踪算法研究是目前计算视觉领域的研究热点。近些年来,该领域的研究取得了一定的发展,所提出的目标跟踪算法在跟踪鲁棒性和跟踪速度上取得了良好的效果。然而针对复杂条件下的目标长时间跟踪问题,依然有很多关键技术问题亟待解决。本文在归纳总结国内外视觉单目标跟踪领域已有成果的基础上,针对复杂跟踪场景下的长时间目标跟踪任务,分别提出基于传统相关滤波器和基于深度学习架构的两种单目标跟踪算法。本文的主要工作如下:首先,提出了一种基于动态相关滤波器的视觉目标长期跟踪算法。在目标建模方面,通过提取目标及其局部上下文的方向梯度直方图特征(HOG特征)和颜色特征联合构建目标表征模型,使得目标模型对于几何形变和光照变化具有良好的鲁棒性。同时,在目标检测阶段通过构建自适应目标响应运动模型,一定程度上避免了传统相关滤波跟踪算法在追踪目标时易漂移的问题,同时使算法能很好的解决目标快速运动、运动模糊以及部分遮挡的问题。在目标旋转角度和尺度估计方面,提出AKAZE关键特征点匹配方法,同时设置活跃特征点寄存器进行关键匹配点的动态寄存、更新,很好的解决了目前绝大部分目标跟踪算法难以解决的目标尺度和旋转角度变化的难题。在目标再检测方面,提出压缩支持向量机(CSVM)方法用于目标再检测。运用压缩感知理论,设计满足有限等距性质(RIP性质)的压缩感知矩阵,将高维的目标特征向量投影到低维特征空间,再将压缩后的低维特征向量通过网格搜索与交叉验证方法训练出精确的分类器模型。当发生追踪漂移问题或目标从图像中消失又突然出现的情况下,压缩支持向量机模型可以精确的进行目标再检测,使得算法可以在复杂的条件下进行长时间的目标跟踪。最后,将所提出的算法在国际目标跟踪标准测试平台(OTB100)上进行实验,通过与主流单目标跟踪算法的对比实验,验证所提算法具有良好跟踪精度和跟踪鲁棒性的同时,可以达到30.6帧每秒的平均跟踪速度。接着,提出基于层次极限学习机的视觉目标深度长期跟踪算法。在目标建模方面,通过构建包含分类网络和回归网络的新型深度跟踪框架,提取包含丰富表征信息的目标特征,实现跟踪目标的精确建模。分类网络中,使用经过预训练后的深度模型VGG16的前五层作为特征提取层,并融合粒子滤波、特征映射、仿射变换等技术,产生低噪声、低冗余度的候选图像区域,最终送入二分类网络层并得到相应的输出。分类网络更新时,特征提取层参数固定不变,只更新最后的二分类网络层,保证分类稳定性的同时大大提高了算法的速度。回归网络中,提出使用轻量级的层次极限学习机模型,该网络由基于极限学习机的自动稀疏编码器、卷积特征提取层和基于在线顺序极限学习机(OS-ELM)模型的回归模型组成。其中前两部分作为该网络的特征提取层,后一部分作为回归层实现跟踪目标框的回归。同时,通过设计跟踪轨迹优化策略,输出网络的目标跟踪边界框;并提出联合互补网络更新机制,通过分析线上跟踪时模型性能的变化,周期性地进行长、短期网络参数更新,保证算法的稳定性。最后,将所提算法在国际目标跟踪标准测试平台(OTB100、VOT2016)上进行实验,通过与主流单目标跟踪算法的对比实验,验证所提算法具有良好的跟踪精度、速度和鲁棒性。