论文部分内容阅读
视觉目标跟踪是计算机视觉领域的重要分支之一,在智能监控、安全预警、远程医疗和军事等多种领域中发挥重要作用。相关滤波目标跟踪算法具有高效的运算速度,受到业界的广泛关注,但是在面对目标快速运动、目标丢失、光照变化、尺度变化等挑战情况时,无法完美地跟踪目标。为此,本文对核相关滤波(KCF)目标跟踪算法进行相关研究,对其不足之处进行改进,主要贡献有两个方面:(1)针对目标快速运动时跟踪算法的检测范围不足和循环采样中使用余弦窗导致损失部分目标信息的问题,本文在KCF的基础上提出一种双模板(DTCF)跟踪算法,该算法引入两个尺度级别的滤波器模板。首先使用小模板预测当前帧目标位置,根据响应输出和设定阈值判断本次预测信息是否可靠;若不可靠,则利用二次检测的思想,使用大模板进行二次检测;选取两者中更加可靠的结果作为最终的预测位置。仿真实验采用OTB-50数据集,确定以0.6作为双模板切换的固定阈值,实验结果显示DTCF在跟踪性能方面优于对比算法,均值DP、OP、S和CLE等四个评估指标比KCF提升了9.74%、14.81%、12.30%和1.16%。(2)针对跟踪算法面对不同挑战时特征的鲁棒性和目标尺度变换的问题,本文在DTCF的基础上进一步提出一种多特征尺度自适应双模板(ADTCF)跟踪算法。该算法根据尺度金字塔的思想,单独训练一个尺度滤波器,在得到平移位置后利用该滤波器估计目标尺寸。同时将形状、纹理和颜色特征进行融合,将该融合特征应用到平移滤波器和尺度滤波器中,提升了算法的跟踪性能和鲁棒性。仿真实验采用OTB-100数据集,实验结果显示ADTCF的均值DP、OP、S和CLE等四个评估指标比KCF提升了19.92%、38.78%、29.46%和32.10%。