基于核相关滤波器的尺度自适应视觉目标跟踪

摘要

随着机器视觉技术的快速发展，视觉目标跟踪成为了计算机视觉中重要的研究内容之一。本文在基于相关滤波的基础上，针对视觉目标跟踪过程中经典算法的表观模型单一性、尺度变化弱适应性问题开展了相关的研究工作，并提出了一些新的思路，主要工作包括: (1)提出了一种多特征融合的尺度自适应视觉目标跟踪算法。在核相关滤波视觉目标跟踪算法的理论基础上，通过融合目标的颜色特征以及形状特征来提高算法的鲁棒性。在表观特征选取部分，本文引入了更为复杂的CN颜色空间作为目标的颜色特征，该颜色空间能够准确地提取目标不同色彩信息，对前景与背景有较强的区分能力。同时，本文通过提取HOG特征来描述目标形状以应对长期跟踪过程中目标的几何和光学变化。在尺度检测部分，本文首先提取目标的轮廓特征以及灰度直方图信息作为目标的尺度表征，然后利用相关性滤波理论进行实时在线训练与检测，使跟踪算法能够应对长期运动过程中目标尺度发生的变化。此外，本文提出了一种多检测器跟踪框架，通过对历史检测器的保留与更新，并根据各个检测器在其工作阶段的综合决策能力来决定最终的目标定位结果。实验结果表明，本文方法具有较高的效率、鲁棒性和准确度，能够有效地处理光照变化以及尺度变化等复杂情况。 (2)提出了一种基于深度回归网络的尺度自适应视觉目标跟踪框架。为了应对目标在长期跟踪过程中尺度的变化，本文提出一种合理的网络框架，并使用大量的跟踪视频序列以及静态图像，来训练一个通用的尺度检测模型。该框架通过搭建两组相同的卷积层分别对目标图像以及感兴趣区域进行特征提取，并最终输入到同一组全连接层当中进行特征比较得出当前目标尺度信息。此外，本文给出了目标在运动过程中通用的运动平滑性规律，并基于此规律，对训练样本进行了合理的扩充，进一步提高训练效果。在测试阶段的网络仅使用离线训练好的模型进行简单的前向传播即可。最后将该算法与相关滤波跟踪算法进行组合，共同搭建视觉目标跟踪框架。实验结果显示，本文方法相比已有常规方法，具有较高准确度和重叠率，对目标的尺度变化和形变有较强的鲁棒性。

目录

声明

摘要

1绪论

1．1研究背景及意义

1．2国内外研究现状

1．2．1基于表征方式的方法

1．2．2基于全局模型的方法

1．2．3基于局部分块模型的方法

1．2．4基于判别分类的方法

1．3存在的问题与挑战

1．4本文的主要工作及内容安排

2 视觉目标跟踪基本框架与理论方法

2．1引言

2．2视觉目标跟踪的基本框架

2．2．1视觉表征

2．2．2观测模型

2．2．3目标定位

2．2．4模型更新策略

2．3基本理论方法

2．3．1卡尔曼滤波

2．3．2均值漂移算法

2．3．3贝叶斯滤波

2．4数据集及评价方法

2．4．1数据集

2．4．2评价方法

2．5总结

3基于多特征融合的尺度自适应视觉目标跟踪

3．1引言

3．2 CSK视觉目标跟踪算法

3．2．1线性回归

3．2．2循环偏移和循环矩阵

3．2．3检测器的快速训练与检测

3．2．4核函数矩阵的快速计算

3．3多特征融合与尺度自适应

3．3．1颜色与形状特征提取

3．3．2多特征融合与模型更新

3．3．3尺度检测算法

3．4多检测器框架

3．5基于多特征融合的尺度自适应视觉目标跟踪算法

3．6实验及结果分析

3．6．1实验设置

3．6．2实验结果

3．6．3表征对比实验

3．6．4基于晨性的评估实验

3．6．5多检测器模型更正实验

3．6．6定量分析实验

3．7总结

4基于深度回归网络的尺度自适应视觉目标跟踪

4．1引言

4．2 caffeNet模型介绍

4．3基于深度回归网络的尺度检测算法

4．3．1尺度检测网络框架

4．3．2尺度检测网络输入和输出

4．3．3运动平滑规律

4．3．4尺度检测网络训练

4．4基于深度回归网络的尺度自适应视觉目标跟踪算法

4．5实验

4．5．1训练数据集

4．5．2实验设置

4．5．3实验结果

4．5．4基于属性的评估实验

4．5．5尺度检测性能评估

4．6总结

5总结与展望

5．1总结

5．2展望

致谢

参考文献

附录