论文部分内容阅读
随着计算机性能的提高,图像处理以及机器学习技术领域的发展,计算机正在逐步代替人智能地进行数据处理。对于如何利用计算机进行大运算量的视频处理,对视频图像信息读取和分析,成为了当前人工智能的一个重点的研究领域。随着视觉目标跟踪被广泛应用于人机交互、视频监控、国防安全等各个领域,其所面临的环境也越来越具有挑战性,如光照变化、姿态多样、尺度缩放、运动模糊、遮挡和消失等多种不确定因素。因此,研究一种鲁棒和实用的目标跟踪算法是当前一项极具挑战性的工作。本文对核相关滤波的理论展开了深入研究,针对当前目标跟踪中的难点问题,在前人的研究成果的基础上提出了一些有效的改进方法,具体研究工作概括如下:1.为了适应跟踪过程当中目标的严重遮挡和消失,提出了一种基于稀疏表示的核相关滤波跟踪算法。该算法利用稀疏表示作为目标跟踪的模板,以核相关滤波为整体跟踪框架,将两者进行结合。在目标跟踪可靠时进行稀疏模板的更新,能有效避免核相关滤波中更新过程目标严重遮挡和消失导致的模型错误更新问题。2.为了进一步提高核相关滤波目标跟踪算法的跟踪准确度,提出了由粗到细的核相关滤波目标跟踪框架。在跟踪过程中,为跟踪目标同时建立目标跟踪模板和修正模板。由跟踪模板粗略得到多个目标的候选区域,再利用修正模板在候选区域内更准确定位目标。实验证明该算法显著提高跟踪准确度,能有效应对遮挡、形变和旋转等挑战。3.提出了一种适应尺度变化快速特征提取方法。在核相关滤波器跟踪框架上,对样本进行提取特征中,提出了一种快速的特征提取方法,提取目标的梯度直方图组合特征。该方法能有效减少对同一块区域的多次特征提取,减少冗余数据,且保留目标的关键部分。实验表示该算法能够快速提取样本特征,适应目标物体的尺度变化。本文围绕着当前目标跟踪中面临的难点问题,对核相关滤波目标跟踪算法展开了深入研究,针对不同问题提出了相应的改进方法。实验采用目标跟踪领域权威标准视频库Visual Tracker Benchmark作为数据源,将本文提出的目标跟踪算法与多个当前效果领先的目标跟踪算法进行比较。实验表明,本文所提出的三种算法在适应目标消失、遮挡、形变、尺度变化上,分别具有良好的性能表现。