论文部分内容阅读
视频目标跟踪技术是计算机视觉领域的研究热点,被广泛应用到智能视频监控和人机交互等领域,具有重要的研究意义。目前,视频目标跟踪技术虽然取得了较快的发展,但是在实际应用场景中,目标的形变、遮挡、光照变化和复杂的背景等因素均会对跟踪产生较大影响。如何保证跟踪的实时性、准确性及鲁棒性是视频目标跟踪技术需要解决的难点问题。Struck算法是一种结构化输出的跟踪算法,跟踪准确性较传统算法有显著提高,能够较好地适应目标的变化,对遮挡具有一定的鲁棒性,综合性能优异。然而Struck算法的实时性有待提高,且当目标尺度发生改变时,跟踪的准确性明显下降。论文在Struck跟踪算法的基础上进行改进,提出一种基于结构化SVM的自适应尺度跟踪算法,主要工作内容如下:(1)论文针对Struck跟踪算法实时性的不足,在目标跟踪阶段引入目标位置预测过程。在进行目标跟踪时,通过判别器从稀疏采样的样本中计算目标的粗略位置,根据粗略位置可缩小目标的搜索范围,从而减小在确定目标位置与尺度过程中的计算量,这种由粗到细的搜索策略可以较好地提升算法的实时性。(2)论文针对Struck跟踪算法在目标尺度发生改变时跟踪准确性下降的问题,提出一种自适应尺度跟踪方法。首先改进结构化SVM模型,在模型中增加尺度变量;然后在确定目标位置的过程中,通过多尺度采样获取不同尺度大小的样本;最后利用判别器计算出目标的尺度变化,从而提高跟踪的准确性。(3)为解决长时间跟踪易出现的漂移和退化等问题,论文中使用在线增量学习的方法更新判别器,并对支持向量的个数设置阈值限制。当支持向量的个数超过设置的阈值时,剔除对判别器影响较小的支持向量,如此可进一步增强跟踪算法的实时性和准确性。最后,通过实验对比Struck算法和论文改进算法的性能。结果表明,论文改进算法对不同的目标进行跟踪时,表现出一定的整体优越性,特别是在目标尺度发生改变的场景下,具有更高的准确性。