论文部分内容阅读
目标跟踪是计算机视觉领域中的研究热点之一,被广泛应用于智能视频监控、人机交互等领域。在目标跟踪过程中,经常会出现光照变化、尺度变化、部分遮挡、全部遮挡以及出摄像头视野之外等问题,所以设计一种可以适应所有复杂环境的目标跟踪算法是极具挑战性的。本文主要研究基于核相关滤波器的长期目标跟踪算法,针对长期跟踪过程中容易出现的目标消失、跟踪漂移等问题进行深入研究。本文的主要工作和创新点如下:(1)根据特征提取方式,将目标跟踪分为传统的目标跟踪和基于深度学习的目标跟踪两类,每类分别介绍了三种经典的跟踪算法。同时,对本文使用的数据集和评价标准进行详细说明,通过观察各种经典的目标跟踪算法在不同数据集上的表现来分析它们的性能。(2)提出了一种基于自适应相关滤波器的长期跟踪算法(ACFLT)。ACFLT利用一个在线支持向量机(SVM),在相关滤波跟踪器跟踪失败时进行重新检测,以解决目标消失、跟踪漂移等问题。此外,ACFLT使用标准化峰值(NPV)来衡量跟踪结果的置信度以及估计目标的状态,然后根据目标的不同状态对相关滤波跟踪器和SVM检测器进行自适应更新。实验结果表明ACFLT不仅在长期目标跟踪数据集上表现突出,而且对于通用数据集也有很好的表现。(3)提出了一种基于融合卷积特征的长期跟踪算法(CCFLT)。CCFLT将卷积神经网络的深层特征与浅层特征融合,得到同时具有语义信息和判别信息的特征,并将其用于相关滤波器来实现目标跟踪。同时,CCFLT使用NPV对目标状态进行估计,并对目标模型采取自适应更新方式,来提高算法对目标消失、跟踪漂移等问题的鲁棒性。在CCFLT的基础上,提出了一种基于分层卷积特征的长期跟踪算法(HCFLT)。HCFLT将使用深层卷积特征的相关滤波跟踪器作为基础跟踪器,当跟踪失败检测机制判断基础跟踪器丢失目标时,综合辅助跟踪器CCFLT的跟踪结果来更新目标位置。实验证明该方法可以有效地提高跟踪结果的准确性。