论文部分内容阅读
近年来动态场景中的目标跟踪在计算机视觉中意义重大,此外,在机器人智能技术和监控智能技术等诸多应用中具有重要意义。由于目标在运动过程中存在位置,姿态,尺度的变化以及遮挡和背景的变化,准确地跟踪目标仍然存在着很大的挑战,所以如何提升动态场景中目标跟踪的精度就很有理论和现实意义。经典的核相关滤波器(KCF)算法在目标跟踪方面已经成功应用,但KCF目标跟踪算法存在以下问题:一是目标框的尺寸在跟踪过程中保持不变,导致目标在尺度发生改变时会丢失部分目标信息,同时也会引入背景信息;二是KCF跟踪中缺少自适应阈值调节机制,导致无法判定目标的丢失情况;三是KCF使用的人工特征在复杂场景中对目标的描述能力缺失区分性。因此针对经典KCF目标跟踪算法中存在的问题我们在本文中提出了一系列的解决方案。本文提出的改进的核相关滤波跟踪方法主要包括以下工作:(1)采用了一个在线更新的最近邻分类器对跟踪目标进行确认,从而判识目标是否被跟丢,以提高跟踪的稳定性,同时降低跟踪器和检测器组合的跟踪复杂度;(2)为了解决传统的KCF算法无法获得不断变化的运动目标尺寸的问题,通过计算前后帧以频谱响应峰值为中心的候选区域带宽之比来获得目标的尺度变化,进而实现目标在跟踪过程中的尺寸自适应性;(3)用基于目标检测的Resnet50预训练模型提取的深度特征替代原KCF的HOG特征,以构成跟踪目标模板实现目标更强的描述特征。为了验证本文提出的改进KCF目标跟踪算法的有效性,对目标跟踪数据集OTB的DarkCar,Basketball,Woman,Skater2 四个数据集以及我们拍摄的 Mytest1,Mytest2 数据集进行了广泛的实验验证。实验结果表明,与经典的KCF跟踪方法相比,我们的方法在六个数据集上的成功率和准确率平均提高了 25.5%和34.6%。为了进一步验证各模块对整体跟踪性能的贡献,我们也进行了消融实验,相对经典的KCF目标跟踪算法,目标尺寸自适应变化的实现,最近邻分类器的使用以及深度特征的采用在成功率上平均提升了2.34%,21.55%,和4.05%,在准确率上平均提升了 5.20%,25.50%,5.72%。实验结果表明,本文提出的基于核相关的跟踪方法能够在很大程度上提高跟踪的精准率和成功率,从而可以应用在视频监控,机器人等目标的自动追踪方面。