基于多层视觉线索融合的单目标跟踪算法研究与系统实现

• 作 者: 周梦涵
• 出 处: 北京邮电大学
• 发表日期: 2019年01期
• 关键词: 目标跟踪 多层视觉线索融合 目标相关的物体推荐 物体级别分类器

在计算机视觉领域中,视觉目标跟踪技术因其在智能监控、场景理解、机器人导航等众多领域的广泛应用,受到学术界和工业界的重点关注。然而,目标对象形变、旋转、运动模糊、尺度变化以及场景中的光照变化、遮挡、相似物干扰、摄像机抖动等复杂多变的因素都使得目标跟踪任务颇具挑战。因此,研究更具鲁棒性和准确性的目标跟踪算法仍然是行业难点。本文针对目前流行的相关滤波跟踪算法存在的问题,通过采用有效的多层视觉线索融合的视觉表征方式以解决复杂挑战场景中单目标跟踪的准确性与稳定性问题。主要成果如下:为有效减少目标跟踪框内背景噪声对目标建模的影响,解决常见的相关滤波跟踪算法所采用的整体滤波模板鲁棒性不足的问题,本文结合多层视觉线索的优势进行模型构建,提出了一种超像素约束的相关滤波跟踪算法。在中层视觉线索构建中,本文提出了一种新颖的像素级置信度特征来表征超像素,提升了目标外观建模的准确性。并且,采取的样本去杂提纯操作以及超像素回归方式获取了更加准确有效的前景分割,减轻了跟踪过程中经常出现的形变、遮挡、背景噪声等复杂情况带来的问题。该算法在众多数据集上表现优秀。为缓解相关滤波跟踪算法经常出现的“预测目标漂移到非物体背景”这一问题,本文提出了一种双层模型来分别感知目标的外观特征和物体特性。在第一层中,通过进行时间连续性回归和可靠性回归的联合建模来完成有效信息获取和可靠性判断。在第二层中,通过采用一种涉及时空约束的简单策略,获得目标相关的物体推荐,有效改善了样本构建情况。并且,基于有效的训练样本以及结构化输出的支持向量机,本研究构建得到了可靠的物体级别分类器,能够选出更具区分力的支持向量来更好地区分目标物体和其他物体推荐。实验结果表明,与最先进的其他算法相比,该算法能够取得更优的跟踪精度,提升了跟踪有效性。