特征点辅助的核相关滤波目标跟踪算法

摘要

视觉目标跟踪技术作为计算机视觉领域的一个重要分支，已经在人机交互、生物医学、智能监控等众多领域发挥重要作用。近几年，基于相关滤波理论的目标跟踪算法因其较好的鲁棒性和高效性，成为目前视觉目标跟踪领域的主流算法之一。然而，这类算法依然存在许多关键问题亟待解决，比如目标尺度缩放、旋转、完全遮挡以及目标消失重现等。为此，本文围绕这些关键问题对核相关滤波跟踪算法（Kernelized Correlation Filters，KCF）展开深入研究，主要研究内容及取得的成果概括如下： （1）设计了一种尺度和旋转角度自适应的核相关滤波跟踪算法（SR_KCF）。该算法结合前向-后向光流法获取当前帧稳定特征点，然后通过计算稳定特征点和初始帧目标模型中特征点间的相对距离和角度变化，估计目标尺度和旋转角度，以完成KCF的尺度和旋转角度自适应改进。同时利用经过层次凝聚聚类算法处理后的特征点估计目标中心，将此中心和KCF估计的目标中心进行有效融合，进一步提高目标中心位置估计的精度。另外，针对KCF采用固定学习率更新分类器，不能较好地处理目标部分遮挡等问题，SR_KCF算法根据可以反映目标受遮挡程度的特征点匹配率对学习率及目标尺度、角度等进行动态调整，从而提高算法的抗遮挡性和准确性。最后通过对比实验证明，该算法可以实现目标尺度和旋转角度自适应跟踪，并且在部分遮挡、运动模糊等复杂场景下该算法较对比算法能够更准确地跟踪目标。 （2）设计了一种基于特征点匹配和SR_KCF的长期跟踪算法。原始KCF仅在上一帧目标位置的局部区域进行目标跟踪，不能处理长时间跟踪中可能出现的目标长期遮挡或消失重现等难题。为此，本文以上述SR_KCF算法作为跟踪器，然后设计基于特征点匹配的目标重检测算法作为检测器，并将该检测器与有效的异常判断策略相结合，辅助SR_KCF跟踪器在目标移出视野或长期遮挡一段时间又重新出现在视野中时重新找回目标，从而提高算法在长时间跟踪中的鲁棒性。另外，为了使检测器可以快速准确的重新捕获目标，本文通过新颖的特征库（特征点集合）维护方法在SR_KCF跟踪器运行的过程中实时更新检测器的目标模型，使得模型中的特征点不会过于冗余，且又能保留目标的最近外观变化及其历史变化。最后通过对比实验证明，该算法在发生目标丢失重现或长期遮挡等异常情况时具有重检测目标的能力，且相较于其他长期跟踪算法，该算法在长时间跟踪中的整体性能更为优越。

目录

第一个书签之前