论文部分内容阅读
随着机器视觉技术的快速发展,视觉目标跟踪成为了计算机视觉中重要的研究内容之一。本文在基于相关滤波的基础上,针对视觉目标跟踪过程中经典算法的表观模型单一性、尺度变化弱适应性问题开展了相关的研究工作,并提出了一些新的思路,主要工作包括:(1)提出了 一种多特征融合的尺度自适应视觉目标跟踪算法。在核相关滤波视觉目标跟踪算法的理论基础上,通过融合目标的颜色特征以及形状特征来提高算法的鲁棒性。在表观特征选取部分,本文引入了更为复杂的CN颜色空间作为目标的颜色特征,该颜色空间能够准确地提取目标不同色彩信息,对前景与背景有较强的区分能力。同时,本文通过提取HOG特征来描述目标形状以应对长期跟踪过程中目标的几何和光学变化。在尺度检测部分,本文首先提取目标的轮廓特征以及灰度直方图信息作为目标的尺度表征,然后利用相关性滤波理论进行实时在线训练与检测,使跟踪算法能够应对长期运动过程中目标尺度发生的变化。此外,本文提出了一种多检测器跟踪框架,通过对历史检测器的保留与更新,并根据各个检测器在其工作阶段的综合决策能力来决定最终的目标定位结果。实验结果表明,本文方法具有较高的效率、鲁棒性和准确度,能够有效地处理光照变化以及尺度变化等复杂情况。(2)提出了一种基于深度回归网络的尺度自适应视觉目标跟踪框架。为了应对目标在长期跟踪过程中尺度的变化,本文提出一种合理的网络框架,并使用大量的跟踪视频序列以及静态图像,来训练一个通用的尺度检测模型。该框架通过搭建两组相同的卷积层分别对目标图像以及感兴趣区域进行特征提取,并最终输入到同一组全连接层当中进行特征比较得出当前目标尺度信息。此外,本文给出了目标在运动过程中通用的运动平滑性规律,并基于此规律,对训练样本进行了合理的扩充,进一步提高训练效果。在测试阶段的网络仅使用离线训练好的模型进行简单的前向传播即可。最后将该算法与相关滤波跟踪算法进行组合,共同搭建视觉目标跟踪框架。实验结果显示,本文方法相比已有常规方法,具有较高准确度和重叠率,对目标的尺度变化和形变有较强的鲁棒性。