论文部分内容阅读
近年来,基于相关滤波器的跟踪算法在目标跟踪领域引起了广泛兴趣,并在不同的比赛和评估基准中取得非常引人注目的结果。但仍然面临着一系列的挑战,例如旋转、遮挡、出视野等,经常导致目标跟踪发生漂移或失败。为此,本文针对核相关滤波器(KCF)跟踪算法在相似目标干扰、出视野、尺度变化、旋转变化和遮挡情况下跟踪性能差的问题进行深入研究与探索,提出了基于核相关滤波器的长期目标跟踪算法,主要结果如下:(1)为解决KCF跟踪算法在相似目标干扰、出视野和尺度变化情况下跟踪性能差的问题,提出了一种基于多特征融合的KCF长期目标跟踪方法。首先,在KCF跟踪算法分类器学习中加入空间正则化,利用基于样本区域空间位置信息的空间权重函数调节分类器系数,使分类器学习到更多负样本和未破坏的正样本,增强学习模型的判别力。然后,在检测区域利用Newton方法迭代处理求取分类器最大响应位置及其目标尺度信息。最后,对最大响应位置的目标进行置信度比较,训练在线支持向量机(SVM)分类器,以便在跟踪失败的情况下,重新检测到目标而实现长期跟踪。(2)为解决KCF跟踪算法在旋转变化、出视野和遮挡因素下跟踪漂移的问题,提出了一种基于自适应卷积特征的KCF长期目标跟踪方法。首先,利用训练好的VGG-Net卷积神经网络提取目标的卷积特征,并选用具有一定语义信息和丰富空间细节信息的conv3-4卷积特征。然后,对conv3-4层卷积特征进行主成分分析,利用自适应降维技术将conv3-4层特征维数由256维降至130维,有效地降低算法的计算复杂度。最后,利用峰旁比计算目标位置置信度,判断目标是否被遮挡,选择可靠的跟踪结果更新模型。(3)采用OTB-100评估基准100组视频序列进行测试,并与包含43种传统跟踪算法和9种深度学习跟踪算法进行对比。实验结果表明:基于多特征融合的KCF长期目标跟踪精度为0.831,成功率为0.624,相比KCF算法分别提高了19.9%和31%。基于自适应卷积特征的KCF长期目标跟踪精度为0.805,成功率为0.608,相比KCF算法分别提高了16.1%和27.7%。在目标发生相似目标干扰、出视野、尺度变化、旋转变化和遮挡等复杂情况下,本文改进算法依然能够稳定准确地跟踪目标,具有十分重要的理论价值和应用研究价值。