论文部分内容阅读
得益于“中国制造2025”、“十三五规划”等政策的提出,和国家对高科技产业的支持,使得在能源、5G、大数据、AI、无人驾驶等领域的有了迅猛发展。依托于企业、社会的需求,机器视觉在智能安防、人员监测、车辆检测、行为识别等领域越发重要,目标跟踪作为机器视觉的一个关键技术,本文在提高目标跟踪算法实时性的前提下,同时改进算法对于目标遮挡、形变的鲁棒性做了一些工作。近年来,判别相关滤波器(DCF)在对象跟踪方面取得了很好的研究成果。可是,DCF方式在快速变形和快速活动时跟踪机能较差。空间正则化DCF(SRDCF)通过将空间正则项添加到相关滤波算法中,试图解决此问题,与之带来的是计算复杂度的增加。背景感知DCF(BACF)使用了由真实样本的位移生成的负样本来提高真实样本的比率。STRCF提出时间正则项,使得跟踪算法更好的关联上下帧信息。此外,在外观变化较大、遮挡等的情况下,STRCF的跟踪模型比SRDCF更鲁棒。首先,为了保证目标跟踪算法的实时性,以经典的目标跟踪算法KCF做为基础框架;同时为了保证算法对物体外观特征变化、物体遮挡有较强的抗干扰能力,提出了一种自适应时空正则相关滤波(ASTRCF),有效地提供跟踪算法关于物体在时间帧和空间维度的上下文关系;可以更好地平衡时空系数和空间正则化权重,提出了滤波器系数随物体自适应调节的策略,更好地自适应调节各个滤波器子集的系数大小,从而可以随着时间和空间有效地学习目标和背景的新外观。其次,可以通过乘数的交替方向方法(ADMM)来获得一个封闭形式的解,在某些特殊的提议方法场景下,可以将诸如KCF,SRDCF,STRCF,BACF和ASRCF等流行方法视为近似解。同时,采用了一种模型更新抑制策略,以校正模型更新过程中的错误判断,避免模型损坏,通过添加对照,证明了其策略的有效性。最后,在以下四个基准上进行全面的实验:VOT2017,UAV123,OTB-2013和OTB-2015。此外,本文的跟踪器的运行速度超过25 FPS。数值结果表明,与最新的跟踪器相比,本文的方法在准确性和鲁棒性方面有所改进。