论文部分内容阅读
目标跟踪技术因其有较强的实用性而在安全监控、智能交通等领域中被广泛应用。但一些已知的问题如目标自身的形变、外界光照变化等因素的影响,稳定准确地实现对目标的跟踪仍颇具挑战。为寻找适用于复杂场景的跟踪算法,不少研究者在原有的学习模型的基础上,辅以集成学习算法进行提升,以获得具有性能更优越的、学习能力更强的学习器。在最近的算法中,有不少算法尝试将判别式分类器应用于目标跟踪,将对目标的识别检测转化为对目标和背景的分类问题。算法通过在线学习获取目标外观变化,以实时适应目标随时间推进而产生的变化,从而在复杂的运动场景中鲁棒地完成跟踪。其中也有算法利用集成学习框架,充分利用基学习器各自的优势构造出强学习器实现上述目的。论文在集成学习框架下,对常用的两大学习器支持向量机(Support Vector Machine,SVM)、核相关滤波器(Kernelized Correlation Filter,KCF)的集成进行研究,针对上述两算法在建立目标外观模型时对目标信息的遗漏,及跟踪器的准确性仍可提高的问题,本文分别在集成SVM分类器、集成KCF滤波器2个方面进行了研究,并分别提出相应改进算法。论文的主要贡献如下:(1)提出了一种结合Boosting算法对SVM进行集成的跟踪算法。用不同特征、核函数混合搭配,训练出SVM基分类器池,将其作为产生SVM基分类器差异性的来源。在将基分类器整合成一个强分类器时,与以往算法只集成不同核函数或只集成不同特征不同的是,本文为增加差异性对特征和核函数均有涉及。与单核SVM的对比试验也证明了集成确能提高精度。(2)提出了一种集成核相关系数滤波器的跟踪算法。针对原始的核相关滤波器跟踪算法缺乏尺度预测的问题,加入了独立的尺度检测器,为减少运算量,在频域空间对尺度检测器的特征进行了降维处理。其次,考虑到原算法在利用HoG特征进行训练,将目标的彩色特征这一重要的信息遗漏掉了,故改进算法在训练跟踪器时,另外加入了一个以新兴的CN颜色特征为训练数据生成的跟踪器,以弥补原算法对目标外观。并且,为提高算法的准确性,2个跟踪器在协同训练框架下进行集成。实验结果表明,提出的改进算法比与原始的核相关滤波器跟踪精度高,也能够自动适应目标的尺度变化。