论文部分内容阅读
视频中的目标跟踪技术是机器视觉领域中的一个热点问题,其主要任务是在视频序列中获取感兴趣目标的运动轨迹,在视频检索、人机交互、自动化监控和国防作战中有着重要意义。目标跟踪算法的性能一般由跟踪精度(准确率)和跟踪速度(帧率)来评价,在军事应用中,对高速移动的军事目标进行跟踪,尤其要满足高帧率的要求。基于核相关滤波的跟踪算法KCF(Kernelized Correlation Filters)的一个主要特点就是跟踪速度快、帧率高,本文主要对该算法进行优化和实现。KCF算法利用循环偏移构建分类器的训练样本,利用循环矩阵的特性把问题的求解变换到了傅里叶域,避免了矩阵求逆,大大降低了算法复杂度,获得了较高的跟踪速度。然而KCF算法中仍存在一些缺陷,如无法适应目标尺度变化、缺少应对目标丢失的策略等。本文针对KCF算法的缺点进行了优化,并基于改进的算法搭建了高速目标跟踪系统,用C++和OpenCV将KCF算法应用到该系统中,取得了良好的跟踪性能。本文的主要工作有以下几个方面:(1)针对KCF算法中无法应对目标丢失情况的问题,提出了一种优化算法:利用不同帧间响应值之间的关系,判定目标丢失的情况;并依次采用帧差法、K-Means、帧间响应值等算法进行目标的再次检测。实验选取了KCF算法对Wu等人在CVPR 2013提出的Benchmark的50个视频中存在目标丢失情况的9个典型视频,将改进后的算法进行了测试,平均跟踪精度由原来的49%提高到了66%,在该类场景下跟踪精度明显提升。(2)针对KCF算法未对HOG特征进行参数优化的问题,分析对比了HOG特征的不同参数对跟踪性能的影响,通过实验选取优化参数。优化后的算法在线性核下的准确率提高了1%,帧率提高了50%;高斯核下准确率提高了2%,帧率提高了65%,较原算法有了明显提升。(3)基于优化的KCF算法搭建了高速目标跟踪系统,介绍了系统的搭建及软件设计。以Benchmark中的50个视频的测试基准,该跟踪系统的平均准确率达到74.7%,平均帧率达到每秒466帧,满足了高速实时跟踪的要求。