论文部分内容阅读
目标跟踪是计算机视觉的一个重要研究方向，在人机交互、智能监视、智能交通等领域都具有广泛的应用前景。本文主要研究单目标跟踪问题。基于检测与分类的目标跟踪算法是目前的主流研究方向。基于分类的跟踪算法主要寻找前景和背景的最优分类函数，区分目标和背景区域。基于分类的跟踪算法判别性较强，然而，由于它把跟踪问题看成一个分类问题，定位性能较差。基于检测的相关滤波器跟踪算法，如相关滤波器跟踪算法，由于其准确的目标定位性能，也成为了目标跟踪中的主流算法，但是由于受到负样本数量不能多的限制，所以判别性不及基于分类的方法。本文分析了两种算法特点，充分利用其优点，受到物体检测算法最大间隔相关滤波器(MMCF)启发，在此基础上提出了最大间隔相关滤波器跟踪器(MMCFT)。本文的主要工作可以归纳如下: (1)回顾了相关的目标检测算法MMCF，深入研究了组成该算法的两个准则，基于相关滤波器和基于SVM的算法，并在MMCF目标检测算法的基础上将其引入跟踪领域。在该跟踪算法中，使用MMCF模型训练跟踪器，并用加权和对跟踪器更新。 (2)理论上来说，跟踪器之间并不具有线性关系。根据帧与帧之间模型的连续性，我们提出了MMCFT单目标跟踪模型，并通过研究发现，把跟踪算法模型时序上的连续性约束加入优化表达式优于传统的加权和更新模型的算法，增加了算法的鲁棒性。 (3)对同类型的跟踪算法和当前流行的跟踪算法，在不同的视频序列中做了大量的实验进行比较。实验结果表明，新提出的MMCFT跟踪算法在性能上相对于MOSSE跟踪器和在线SVM跟踪器都有显著提高，并且对于当前主流的跟踪算法，算法性能上也有一定优势。