基于自适应模型和多特征融合的目标跟踪算法研究

摘要

目标跟踪是目前的重点研究问题之一。近几年跟踪领域取得了很大的成果，虽然现在已经提出了很多方法，但是由于真实场景的复杂性，目标跟踪仍然是一个挑战。相关滤波模型是一种判别模型，相对比其他判别模型，它利用了大量的训练样本，增强了跟踪器的鲁棒性。但是在跟踪过程中，传统的相关滤波框架下的预测模型通过线性更新获得。这往往会造成，模型逐渐遗忘目标，从而导致跟踪失败。另外，由于真实场景的复杂性，基于单一特征的模型不能同时处理多种问题。
　　对于以上两种情况，本文分别提出基于自适应模型和基于多特征融合的跟踪方法。自适应模型，通过利用L1稀疏方法确定各个模板的重要程度。首先，构造一个模板字典，模板字典作用于搜索框得到响应集。然后，响应集被对准函数处理后，应用L1范数构造高斯响应与响应集之间的关系式，最小化这个关系式求解表示系数。同时衡量响应集的PSR值，并做归一化处理。最后，由L1方法得到的系数和PSR值共同决定模板的权重。线性加权每个模板，生成自适应模型。多特征融合机制，利用boosting算法思想提高鉴别性特征的重要性。对于每一种特征，用给定的初始目标位置和高斯响应图，构建一个回归器。然后构建测试样本集，选择任意其一回归器对测试样本集进行预测，预测的正确率为此特征的结合权重，同时根据预测正确率调整测试样本的分布，加大被预测错误的样本权重，使得本预测错误的样本在后续的测试中被更加重视，然后选择剩下的任一回归器对调整后的样本进行预测；如此重复，直到最后一个特征的回归器。
　　本文提出的这两种算法在OTB和VOT上进行算法评估，评估结果表明本文的算法面对复杂场景的表现力更好。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题研究的目的和意义

1.2 目标跟踪方法的发展和现状

1.3 本文的主要研究内容

1.4 本文的组织结构

第2章 目标跟踪综述

2.1 引言

2.2 目标跟踪基本框架

2.3 目前的目标跟踪算法

2.4 测试平台

2.5 本章小结

第3章 基于自适应模型的相关滤波跟踪算法

3.1 引言

3.2 传统相关滤波跟踪算法

3.3 基于自适应模型的相关滤波跟踪算法

3.4 实验结果和分析

3.5 本章小结

第4章 基于多特征融合的相关滤波跟踪算法

4.1 引言

4.2 基于多特征融合的相关滤波跟踪算法

4.3 实验结果及分析

4.4 本章小结

结论

参考文献

攻读学位期间发表的论文

声明

致谢