论文部分内容阅读
在目标跟踪过程中,目标的尺度在短时间内发生突变会导致跟踪要素的丢失,造成跟踪误差不断积累,最终导致目标跟踪漂移。近年来,深度学习方法在目标检测上取得了很大的进展,本文为了更好的解决目标尺度突变造成跟踪准确率低的难题,对该问题进行研究,设计提出了利用深度学习网络先进行目标检测后利用核相关滤波方法进行跟踪的自适应尺度突变的跟踪算法(KCF_YOLO),并通过实验验证了该模型的有效性。本文具体工作如下:首先,对目标跟踪的公开数据集进行大量实验,分析后得出跟踪准确率较低时视频序列的共性是目标尺度发生突变,并把OTB和VOT公开数据集中具有尺度突变的视频序列挑选出来以便后续进行实验。其次,提出一种改进的目标跟踪算法(KCF_YOLO),改进点是将传统核相关滤波算法边检测边跟踪的模式改为先检测后跟踪,将深度学习与传统的核相关滤波跟踪进行结合应用在目标跟踪的过程中,深度学习网络的加入,不仅可以学习到更加精确的特征表示,而且可以较为有效应对视频序列低分辨率的情况,使得该算法在尺度突变的情况下得到了更加准确的目标跟踪。同时将相同的视频序列应用于KCF、SAMF、fDSST、DSST、TLD五种跟踪算法,根据跟踪结果进行分析比较。再次,为了验证本文方法在尺度突变时是否有效,综合平均准确率、交并比准确率、时间鲁棒性和空间鲁棒性四种评估标准,证明了 KCF_YOLO在尺度突变时的有效性,准确率提升了 31.74%,最后,为了验证试验结果是否需存在偶然性,本文进一步对实际跟踪过程中存在的目标长时间丢失后再次出现时目标尺度发生突变的情况进行实验,实验发现在目标丢失后重现时本文的跟踪模型依然可以有效对目标进行跟踪,进一步证明本文的算法的有效性。最后,证明了本文使用核相关滤波和神经网络在目标跟踪过程中先检测后跟踪的思想,提高了算法对目标跟踪过程中尺度突变情况的适应能力,实验结果验证了加入检测策略对后续目标尺度发生突变导致跟踪漂移起到了很好的纠正作用,和自适应模板更新策略的有效性。