基于改进相关滤波的单目标长时跟踪算法研究

• 作 者: 申远
• 出 处: 河北大学
• 发表日期: 2020年01期
• 关键词: 单目标长时跟踪 相关滤波 卷积神经网络 通道选择 目标重检

为解决现有单目标长时跟踪算法无法有效应对目标遮挡、尺度变化等问题,设计了基于改进相关滤波的单目标长时跟踪算法。主要研究工作包括以下两个方面:(1)一种尺度自适应的长时跟踪算法针对KCF算法跟踪框尺度不变、无法再次查找丢失目标和对每一帧模板都进行更新的问题,改进得出了一种尺度自适应的长时跟踪算法。通过在KCF算法中加入尺度因子池,解决了跟踪过程中目标的尺度变化问题。通过对尺度池设置规律的探究,找到了普适性较好的设置方法。通过设置目标重检机制,当出现跟踪情况较差的帧时,扩大搜索范围再次查找目标位置,可较好应对快速运动、遮挡等挑战。通过对跟踪模板的条件更新,提高了跟踪模板的质量,缓解了由于快速运动、背景杂波、遮挡等不利因素带来的影响。实验结果表明,所提算法在OTB2013上的成功率和精确度比KCF算法分别提高了18.1%和15.3%,与其他多尺度算法相比也得到了一定的提升。(2)基于通道选择与目标重检的跟踪算法为了避免传统特征对跟踪精度提高造成的限制,使用卷积特征对滤波器进行训练。针对HCF(Hierarchical Convolutional Features,HCF)算法在提取卷积特征时耗时长、没有对卷积通道进行降维、难以找回丢失目标以及无条件更新每个跟踪模板等问题,改进得出了基于通道选择与目标重检的单目标跟踪算法。使用轻量型神经网络MobileNet获取卷积特征,在一定程度上降低了模型计算量,提高了跟踪速度。对所选卷积层的通道进行选择,筛选出更有效的卷积特征并对滤波器进行训练,以进一步提高算法的精度。根据多个响应图相融合的特点,设计了针对多个滤波器的目标重检机制,并使用最优模板再次检测目标位置,有效减少了目标丢失情况的发生。对跟踪模板的条件更新同样提高了跟踪精度。通过实验可以看出,改进后的算法在成功率和精确度上分别提高了9.2%和1.5%,在较长视频序列的跟踪过程中也表现稳定。