论文部分内容阅读
本文对基于时空上下文的目标跟踪算法进行了研究。时空间上下文跟踪算法通过分析目标周围空间上下文对跟踪目标进行定位。本文所研究的算法是一种快速的基于稠密时空间上下文(Spatio-temporal Context,STC)跟踪算法,STC采用贝叶斯框架,将跟踪目标及其周围区域的特征转换为统计学的相关关系,使跟踪问题变成计算置信图中的最大置信值点。在时空间上下文建模过程中,通过FFT来进行快速学习与检测,极大的减少了算法的复杂度,具有很高的实时性及较好的鲁棒性。但是仍然存在一些问题:(1)STC和大多数采用贝叶斯框架的跟踪算法一样,会对每帧跟踪结果进行平均,一定程度上增加干扰因素对跟踪模型的影响,同时STC对当前帧跟踪结果不加判断的学习,如遮挡时会学习遮挡物的特征,学习过多的错误特征会使跟踪模型不够精准,影响后续跟踪。(2)STC对空间上下文信息采取同等对待的方式,空间上下文的权重分配仅取决于离目标中心的距离,这种处理方式无法很好的利用对跟踪有效的信息,而且会增加错误信息对跟踪结果的干扰。本文针对STC存在的上述问题进行研究,提出了几点改进方法,研究内容及成果如下:(1)对STC算法单模板结构进行改进,STC采用线性结构导致跟踪模板容易累计误差,提出使用多模板来进行跟踪。通过比较多个模板对跟踪帧的适应程度,选择合适的模板来进行跟踪学习。同时对帧跟踪效果进行判断,去掉干扰信息过多的帧,使模板不会学习到错误的跟踪结果,提升跟踪效果。(2)对STC空间上下文权重分配进行改进,STC无法有效区分空间上下文中有效信息和干扰信息而导致跟踪准确率不高,提出分块跟踪的时空间上下文算法。通过将空间上下文中信息进行分块,选择合适的分块进行跟踪学习,使STC能更有效的利用空间上下文信息来进行跟踪。(3)分别对上述改进算法进行了实验与分析,通过与原算法在标准数据集上的对比实验表明,两种方法均能提高跟踪的成功率并减少跟踪中心坐标误差,跟踪帧数虽有所下降,但仍能达到实时跟踪的效果。