论文部分内容阅读
目标跟踪作为计算机视觉重要的分支已经广泛应用于人机交互、智能视频监控、机器人视觉导航、无人驾驶、军事防备等领域。但是长久以来，由于光照变化、遮挡、背景相似干扰、尺度变化等问题，使得目标跟踪无法广泛应用于工业领域。面对广阔的应用场景，提高目标跟踪在遮挡情形下的精度，实现目标跟踪的规模化应用是一种合理的选择。
本文首先对近些年目标跟踪算法的技术发展路线进行了研究与总结，此外，分析研究了卷积神经网络的基本原理，以及CNN(Convolutional Neural Networks)在提取图像特征领域的有效性和先进性。在总结了近些年遮挡处理算法的优缺点后，我意识到目前的跟踪算法主要存在两个问题：(1)基于相关滤波的目标跟踪算法会由于遮挡发生模型退化；(2)面对长时间的遮挡，基于相关滤波的目标跟踪算法速度下降严重。因此，本文将工作重点放在了解决遮挡情况下算法的有效性以及实时性问题。
本文针对以上问题，结合STRCF(Spatial-temporal Regularized Correlation Filters)模型，提出了一种基于相关滤波的抗遮挡目标跟踪算法，此算法主要包括两个技术要点：(1)引入了一种质量评估函数以及基于PSR(Peak SideLobe Ratio)的遮挡判定函数，可以准确地判定目标是否被遮挡。(2)当目标被遮挡时，采用分块匹配的方法进行遮挡状态判定。当目标被部分遮挡时，采用STRCF进行目标跟踪，当完全遮挡时，采用卡尔曼滤波器进行位置估计以及采用特征匹配的方法进行精确定位。
在OTB-100、Temple-Color-128以及VOT数据集上进行的大量实验表明，本文所提出的算法在遮挡方面表现优异，并且跟踪速度比STRCF更快。在速度方面，本文的跟踪器的性能比基线STRCF高出8.8％。此外，在VOT-2018上，本文的跟踪器在EAO(Expected Average Overlap)方面比基线STRCF提高了4.8％，在精度方面比基线STRCF提高了4.6％。
通过本文提出的基于相关滤波的抗遮挡目标跟踪算法，可以有效地解决模型退化导致的跟踪失败问题，提高了跟踪的效率及准确性，能够满足复杂工业环境中运动目标跟踪的需要，有利于推动目标跟踪算法大规模应用于实际生产生活当中。
本文首先对近些年目标跟踪算法的技术发展路线进行了研究与总结，此外，分析研究了卷积神经网络的基本原理，以及CNN(Convolutional Neural Networks)在提取图像特征领域的有效性和先进性。在总结了近些年遮挡处理算法的优缺点后，我意识到目前的跟踪算法主要存在两个问题：(1)基于相关滤波的目标跟踪算法会由于遮挡发生模型退化；(2)面对长时间的遮挡，基于相关滤波的目标跟踪算法速度下降严重。因此，本文将工作重点放在了解决遮挡情况下算法的有效性以及实时性问题。
本文针对以上问题，结合STRCF(Spatial-temporal Regularized Correlation Filters)模型，提出了一种基于相关滤波的抗遮挡目标跟踪算法，此算法主要包括两个技术要点：(1)引入了一种质量评估函数以及基于PSR(Peak SideLobe Ratio)的遮挡判定函数，可以准确地判定目标是否被遮挡。(2)当目标被遮挡时，采用分块匹配的方法进行遮挡状态判定。当目标被部分遮挡时，采用STRCF进行目标跟踪，当完全遮挡时，采用卡尔曼滤波器进行位置估计以及采用特征匹配的方法进行精确定位。
在OTB-100、Temple-Color-128以及VOT数据集上进行的大量实验表明，本文所提出的算法在遮挡方面表现优异，并且跟踪速度比STRCF更快。在速度方面，本文的跟踪器的性能比基线STRCF高出8.8％。此外，在VOT-2018上，本文的跟踪器在EAO(Expected Average Overlap)方面比基线STRCF提高了4.8％，在精度方面比基线STRCF提高了4.6％。
通过本文提出的基于相关滤波的抗遮挡目标跟踪算法，可以有效地解决模型退化导致的跟踪失败问题，提高了跟踪的效率及准确性，能够满足复杂工业环境中运动目标跟踪的需要，有利于推动目标跟踪算法大规模应用于实际生产生活当中。