视频序列中的单目标跟踪算法研究

• 作 者: 张亚琴
• 出 处: 新疆大学
• 发表日期: 2019年12期
• 关键词: 目标跟踪 时空上下文 孪体网络 得分图融合

近年来,很多地方都在争创“全国文明城市”,首要任务是要保证该地方的安全,所以建设“平安城市”成为了实现“全国文明城市”的关键需要。如今,在大街小巷、政府企业以及一些公共场合都能看到各种各样的摄像头,而视频智能处理可以将人类从复杂操作中“解放出来”,自动处理摄像机捕捉到的视频信息,并及时做出响应。因此视频智能处理系统的需求越来越显著,然而,目标跟踪技术作为该系统中的一个重要部分,要设计出一种实时、精确的跟踪器成为了研究的热点和难点。本文通过特征表示、更新模型和集成策略三个模块对跟踪的效果进行研究和评测。提出了自适应的基于上下文的目标跟踪算法和融合得分图的基于孪体网络的目标跟踪算法。随着相关滤波的提出,目标跟踪的效果得到了很大的提升,然而很多经典的算法中只是考虑到跟踪对象的信息,忽略了跟踪对象周围的背景信息和其本身信息之间的关联性。有研究者提出了上下文的模型,但是采用了单一的特征来表达目标,模型的学习速率固定不变,不能很好的适应目标的外观变化。针对这一不足,提出了多特征的融合策略,利用梯度直方图和颜色属性特征,与图像的灰度值融合来表达目标,同时根据上下两帧中目标位置的差异性来更新学习速率,从而使得模型适应于目标的变化。通过实验结果分析可以看出,相比于传统算法的精确度,本文算法的跟踪性能得到了很大的提升,尤其对受严重遮挡和背景信息极为相似的视频序列。大多数的相关滤波都采用了视频序列的第一帧在线训练,存在样本数量少而且在线训练需要耗费很多时间的问题。深度学习的引入成为解决该问题的关键方法。基于孪体网络的目标跟踪算法,采用相似性的思想来实现跟踪的任务。其采用卷积网络来提取目标特征,仅仅利用一个得分图来预测目标位置,丢弃了其他得分图的信息。针对以上不足,本文研究深度特征在目标跟踪中的影响,充分利用每个得分图中所含的信息,对不同搜索区域所得到的得分图采取加权融合处理,最终能够更加准确的预测出目标的位置。整个跟踪阶段采用端到端离线训练、在线跟踪的方式。通过实验结果分析,相比于传统算法,本文所提算法在跟踪效果的鲁棒性上得到了很大的提升,并且跟踪速度也得到了一定的改善。