论文部分内容阅读
目标跟踪是当前计算机视觉研究领域热点问题之一,广泛应用于国防军事、智慧城市等多个方面的研究中。目标跟踪的本质是在连续的视频序列中,根据在第一帧中被选中的目标的信息,较为准确地计算出目标在下一帧中出现的位置。在整个跟踪过程中,目标可能会因为内、外部的原因,出现尺度变化、形态变化、光照变化或目标遮挡等问题,目标跟踪算法就是为了让目标在这些问题发生的情况下仍然可以被准确的跟踪。本论文是针对核相关滤波器(KCF)算法而做出的研究改进,首先是在KCF算法的基础上融合目标的颜色特征并自适应尺度变化,然后在三个方面作进一步的改进,第一个方面加入检测机制,通过检测结果的异常值判断来选择是否进行重新检测,第二个方面加入更新策略,在算法的模型更新阶段,选择高置信度更新策略,第三个方面则是融合检测机制与更新策略。最后实验测试表明,跟踪的精度与成功率明显优于KCF算法。本文的主要工作如下:1.首先提出了自适应尺度特征融合的异常重检跟踪算法(SFAR),通过多特征融合和尺度变化策略改进了多特征的尺度核相关滤波器,再对目标尺度估计得到多尺度图像并分别提取多通道特征,然后对训练得到的多尺度目标模型进行检测取最优尺度模型,最后引入异常值判定,对最优尺度模型响应图中的峰值判断,若存在异常峰值则进入重检机制。通过在OTB-50数据集的测试,SFAR算法的精度和成功率较KCF算法有着不错的提升。2.然后提出了自适应尺度特征融合与模型更新跟踪算法(SFMU)。SFMU算法基于多特征的尺度核相关滤波器,检测出最优尺度模型,利用多峰检测判断响应图的整体振荡程度去确定峰值。再根据对峰值进行跟踪结果置信度评估,在遮挡、形变等跟踪结果置信度低的情况下及时停止模型更新,在高置信度模型更新时,引入初始模型进行对齐操作,减少模型的更新误差,抑制模型漂移。通过在OTB-50数据集的测试,SFMU算法的精度和成功率较KCF算法也有着不错的提升。3.最后对SFAR和SFMU算法的分析可知,SFAR算法在目标形变、遮挡和出视野情况下更稳定,SFMU算法在背景噪声、快速运动和模糊运动的情况下性能较好。所以融合SFAR与SFMU算法的改进方法形成异常重检与模型更新的跟踪算法(ARMU)。通过在OTB-50数据集的测试,ARMU算法的精度和成功率较KCF算法有着显著的提升。