论文部分内容阅读
目标跟踪一直都是计算机视觉领域研究的热点之一,已经广泛应用于智能控制(如无人机、机器人等),人机交互,自动驾驶等领域。在视觉跟踪领域中,特征的高效表达是鲁棒跟踪的关键,观察到在相关滤波跟踪中,不同卷积层表达了目标的不同方面特征,提出了一种结合连续卷积算子和时间正则化的自适应加权目标跟踪算法;针对目标定位不准确的问题,提出连续卷积算子方法,将离散的位置估计转换成连续位置估计,使得位置定位更加准确;针对不同卷积层的特征表达能力不同的问题,提出自适应加权方法,利用相关滤波算法自适应融合多层卷积特征,达到削弱背景干扰和增强特征表达的效果;针对有遮挡或者目标发生剧烈形变的情况下容易导致跟踪失败,提出正则化方法,避免训练的相关滤波器过拟合,提高跟踪性能。首先,由于卷积网络不同层的特征的分辨率不同,层数越深,特征图越小,为了能够将多种分辨率的特征融合在一起。首先利用三次样条插值函数将时域离散特征图转换为时域连续特征图,然后利用连续卷积算子将学习到的连续相关滤波器和连续特征图进行相关滤波,使得目标位置估计更加准确。其次,深度卷积神经网络中不同卷积层表达了目标的不同方面特征,即浅层特征具有更多的位置信息,而深层特征具有更多的语义特征,所以如果能结合它们的不同特征表达能力进行跟踪,会得到相较于只利用深层或浅层特征更好的跟踪效果。首先,深度卷积网络结构提取多层卷积特征,并且通过计算相关卷积响应大小来确定下一帧对应特征层的权重,凸显优势特征,使目标与背景或干扰物更容易区分开来。然后,使用从不同层训练得到的相关滤波器与提取得到的特征进行相关运算,得到最终的响应图,响应图中最大值所在的位置便是目标所在的位置和尺度。最后,通过将时间正则化引入到空间正则化相关滤波器中构建了一个新的模型,结合自适应特征融合算法,得到结合连续卷积算子和时间正则化的自适应加权目标跟踪算法。目标跟踪是一个长时间的跟踪过程,由于多幅图像训练学习的相关滤波器,比较着重于当前帧最近的样本,容易受最近不准确的样本影响,训练得到的滤波器可能会发生过拟合,并在有遮挡等复杂的情况下导致跟踪失败。引入时间正则化后,本文算法不仅可以用上一帧训练样本合理逼近空间正则化相关滤波器通过多帧训练样本训练的跟踪器的效果,而且大大提高了跟踪效率。实验表明,本文算法在光照变化,尺度变化,背景杂波,目标旋转、遮挡和复杂环境下的跟踪具有较高的鲁棒性,且具有良好跟踪效率。