论文部分内容阅读
目标跟踪是计算机视觉研究的前沿研究领域。传统跟踪-学习-检测算法解决了目标消失重现并继续跟踪的问题,但是该算法仅适用于刚性目标场景,无法解决非刚性目标的跟踪问题。针对该问题,本文提出一种非刚性目标的跟踪-学习-检测的算法。通过软化模型建模非刚性目标,实现对几何形状未知的非刚性物体高效鲁棒的跟踪。首先,针对非刚性目标跟踪的系统性问题,提出一种新型的基于软化模型的跟踪-学习-检测框架。该框架整合了采用十字骨架模型的跟踪模块和采用概率模板匹配的检测模块,同时在学习策略中加入了对跟踪器的在线学习机制,最终实现了一个高效的针对非刚性目标长时间跟踪的跟踪-学习-检测算法系统。其次,在传统跟踪-学习-检测算法中针对跟踪模块光流特征点漂移和丢失的问题,提出一种光流特征点的选择策略,改善了未知几何形状的非刚性目标跟踪时前景跟踪点的选择问题。该方法通过一个矩阵奇异值分解算法对光流特征点进行降维,并采用一种十字骨架模型进行有效前景跟踪点提取,同时对发散的背景特征点去除。再此基础上依靠在线学习的方法不断更新十字骨架模型以拟合目标真实的前景光流特征点,最终有效的解决了跟踪模块的在非刚性目标下的特征点选择问题。最后,在跟踪-学习-检测算法中,针对其检测模块存在的非刚性目标模板匹配问题,提出一种基于软化模型的改进匹配算法,实现了对非刚性目标的有效前景匹配。该方法基于跟踪模块提出的十字骨架模型,并在此基础上结合快速的图像分割算法实现了高效的目标前景区域恢复。然后,将该目标前景区域与传统的包含背景信息的目标矩形框区域相结合,实现了一种高效的目标概率化模板表示方法,并在此基础上实现了基于非刚性目标前景的概率模板匹配算法。本算法在通用公开的非刚性测试集上获得了非常好的实验效果,平均跟踪成功率为65%,相对传统TLD的平均跟踪成功率提升了36%,同时相比实验中其它经典的非刚性算法也获得了一定的效果提升。