论文部分内容阅读
目标跟踪技术是计算机视觉领域当中重点研究课题之一,目标在实际运动过程中不可控环境因素众多,对全局遮挡、光照突变等挑战条件的跟踪技术仍然需要不断的探究发展,单单解决遮挡问题就涉及到了机器学习、模式识别以及深度学习等众多学科。目前长时间有效跟踪技术还需研究完善。STC算法是跟踪算法中最快速也是最稳定的跟踪器之一,但对于遮挡问题一直没有一个具体的跟踪恢复机制,经常出现跟踪漂移现象。TLD框架是最早也是最有效的长时间单目标跟踪算法,然而在遇到刚性形变,全局遮挡等情况时,不能对目标进行有效的跟踪,尤其在目标发生遮挡过程中的输出窗口调整过度问题。本文就针对以上几个问题,提出了以下解决方案:(1)提出了自适应学习的时空上下文目标跟踪算法,解决STC算法跟踪输出窗口长期不变导致的模型学习不具有针对性问题,利用SIFT尺度不变化的特点,匹配加速以及去除错误匹配后进行窗口调整,同时也改进了时空模型的学习机制,对目标信息的具体学习有助于提高跟踪算法的鲁棒性。(2)(1)中提到的算法虽然抗遮挡能力有所提高,但没有一个具体的抗遮挡机制。于是提出了自适应目标变化的时空上下文抗遮挡跟踪算法,将TLD框架的检测器融合进STC算法当中,提出运动相似的方法解决窗口调整过度问题,同时也加入了自适应学习的处理方法。(3)传统的TLD算法的跟踪器容易受光照影响以及要求目标运动具有平稳性,即传统的TLD算法的中值流跟踪器抗干扰能力不如STC算法,故提出了时空上下文相似性的TLD目标跟踪算法(TLD-STC)。跟踪器的有效性判断不单单采取保守相似度,还提出了运动相似度,也提出了目标时空模型,解决跟踪器失败后检测器检测到多个计算结果不输出问题,最终将时空上下文结合到了TLD框架当中。通过实验评估表明,本文提出的改进算法解决了STC跟踪器抗遮挡能力的不足,并将时空上下文的思想加入到了TLD框架当中,提高了其跟踪的稳定性以及抗干扰性。