基于图表示模型与学习方法的目标跟踪算法研究

摘要

当今时代，人工智能技术已经逐渐成为科技发展的核心，伴随着人工智能时代的到来，越来越多的城市正大力建设以人工智能技术为基础的智慧城市。如何设计智能视频分析技术来快速处理海量的监控视频数据是智慧城市建设过程中的关键步骤，而目标跟踪则是智能视频分析技术中的基础性算法。因此，深入研究目标跟踪技术不仅是计算机视觉课题发展的需要，更能有效的促进智慧城市的建设。 随着传统机器学习技术的发展与积累，尤其是近几年深度学习技术的重大突破，目标跟踪技术也取得了突飞猛进的进步，出现了许多高效的跟踪算法。目标跟踪的基本流程一般包括:输入待跟踪的视频帧;目标特征的提取与处理;跟踪模型的构建;定位跟踪目标。其中目标特征的提取与处理和跟踪模型的构建是目标跟踪流程的关键步骤。本文从目标特征的提取与处理出发，针对在目标跟踪技术中存在的问题展开研究，提出了对跟踪目标进行有效表达的方法。该方法能够显著地减少目标包围框中背景噪声，从而提高目标跟踪的鲁棒性。具体方法是:首先将目标包围框划分为多个不重叠的图像块;然后通过有效的权重求解模型为每个目标图像块赋予权重，即:背景图像块赋予较小的权重，目标图像块赋予较大的权重，这样能有效的减少目标包围框中的背景信息;最后将图像块权重与图像特征结合得到的目标图像块加权特征描述作为跟踪目标特征的表示，从而实现目标跟踪。其中，权重求解模型是目标特征表达的关键所在。本文从跟踪目标、背景噪声等多个方面展开分析，提出了如下三种有效的权重求解模型: 第一、分析目标跟踪的整体流程可以发现，目标的空间结构是捕捉跟踪目标的关键信息。传统的图表示模型由于采用近邻图的表达方式，其往往只考虑到跟踪目标的局部空间信息，忽略了全局信息。这将使得对跟踪目标的表达缺乏整体性，当跟踪目标的外观较为复杂时无法进行有效的特征表达，从而直接影响跟踪结果。本文在重启随机游走模型中加入拉普拉斯正则化约束构建拉普拉斯正则化随机游走模型，这使得在权重的求解过程中同时将目标的局部信息以及全局信息融合起来，从而得到更符合目标空间结构的权重分配。最后将得到的目标图像块加权特征描述作为跟踪目标特征的表示并结合结构化支持向量机跟踪模型来实现最终的目标跟踪。本文在OTB100[32]与TCL128[59]两个大型跟踪数据集上实现目标跟踪，并将跟踪结果与诸多近些年提出的跟踪算法进行比较。实验结果表明，本文的跟踪算法在两个数据集上的综合表现取得最优，尤其在出现快速移动、形变、旋转、光照变化、运动模糊等直接导致跟踪目标外观变化的挑战因素出现时仍能保持较为鲁棒的跟踪效果。 第二、在跟踪过程中，多数的跟踪目标与背景之间具有较为显著地差异。因此，利用背景信息来突出前景目标不仅能够有效的降低背景噪声的影响，更能达到突出前景目标的作用。本文采用条件随机场模型同时将背景信息、前景信息以及目标的空间结构进行联合优化，从而得到更具目标判别性的权重分配。最后将得到的目标图像块加权特征描述作为跟踪目标特征的表示并选择结构化SVM算法作为基础的跟踪框架来实现最终的目标跟踪，并在OTB100[32]、TCL128[59]两个大型跟踪数据集上与诸多近些年的跟踪算法进行对比。实验结果表明，本文的跟踪算法在两个数据集上的综合跟踪效果表现最好，并在跟踪速度上也具有一定的优势。特别的，本文的跟踪算法在跟踪目标出现背景阻塞、部分遮挡、低分辨率等挑战因素时仍能实现准确的目标跟踪。 第三、构建的图结构是否具有很好地表达能力将直接影响图表示模型结果的优良。此外，图表示模型中图像块的原始特征信息仅在图结构的构建中得到使用，忽略了图像块特征之间本身存在的关联。本文提出一种图表示与半监督学习模型来动态优化图像块之间的关联，并且将图像块的特征信息融入到权重求解的过程中，从而得到更符合目标本身特性的权重分配。更进一步的，针对该图表示与半监督学习模型，本文提出一种快速且有效的迭代优化算法进行求解。在最终的跟踪阶段通过添加目标的尺度估计以及目标的重检测技术来完善跟踪框架，从而实现完整的目标跟踪。本文在OTB100[32]、TCL128[59]以及VOT2015[58]三个大型数据集上与诸多近些年的跟踪算法进行对比。在OTB100[32]、TCL128[59]上，本文的跟踪算法取得了最优的综合评测结果，并且在诸多的挑战属性上均具有优良的表现。在VOT2015[58]数据集上，本文的算法同样获得了可比性的结果。