基于深度卷积网络与尺度不变特征变换的行人跟踪框架

摘要

在计算机视觉领域已经提出了很多物体跟踪算法和多人跟踪算法,但是遮挡一直是跟踪领域一个具有较大挑战性的问题.为了实现在多种遮挡情况下的行人跟踪,本文提出了一种基于深度学习的行人跟踪框架:根据物体检测算法Faster R-CNN训练了一个行人检测算法作为行人跟踪的搜索机制,相比于梯度下降算法这个机制在缩小搜索范围的同时提高了准确度;利用颜色直方图和尺度不变特征相结合作为目标的表示方式,在目标匹配的过程中,基于FCN图像语义分割算法训练了一个针对行人全卷积网络来提取目标模型中的行人信息以便于去除背景的噪声影响.在数据库OTB上与其他跟踪方法进行了比较,结果显示所提出方法比其他跟踪器在有遮挡的情况下提高了跟踪的准确率和成功率.