论文部分内容阅读
目标跟踪是计算机视觉领域的重要问题之一,在视频监控、无人驾驶、人机交互、行为识别等领域有着广泛应用,受到研究人员的普遍关注。近年来,基于相关滤波的跟踪方法(Correlation Filterbased Trackers,CFTs)取得了显著的进展,迅速成为当前研究热点。虽然已经涌现出了大量方法,但是由于目标跟踪问题本身的复杂性、跟踪场景的多变性以及应用背景的多样性,实现稳健高效的目标跟踪仍然是极具挑战性的课题,尤其是长时目标跟踪中的频繁、严重遮挡及目标的重定位问题。
本文针对跟踪过程中,因缺乏目标先验、目标遮挡以及长时跟踪等引起的模型偏移问题,基于相关滤波理论,从建立稳健高效的目标外观模型出发,通过合理利用目标上下文和时空信息,研究鲁棒的目标跟踪方法。
本文主要工作和贡献如下:
(1)提出一种上下文感知遮挡检测的目标跟踪方法。
针对跟踪中常见的遮挡问题,提出一种上下文感知遮挡检测的目标跟踪方法。该方法在多特征核相关滤波(Kernelized Correlation Filter,KCF)估计目标初始位置的基础上,充分利用目标上下文信息和目标连续帧时序上的稳定性判断其遮挡状态。通过相关滤波器反映最可靠目标与其上下文区域之间的内在关系,并融合相关响应稳定性约束,估计当前目标状态。其次,根据遮挡状态和目标外观变化,自适应更新目标外观模型。实验结果表明,所提方法的目标遮挡处理策略利用上下文信息能够有效判断目标当前状态,其连续帧相关响应的可靠性约束使得判断结果更加稳定,提高了跟踪精度和成功率。
(2)提出一种融合显著性检测的自适应目标跟踪方法。
针对跟踪中因缺乏目标先验而产生模型偏移的问题,将视觉显著性引入KCF框架中,通过快速显著性检测、显著目标提取、候选目标估计以及最优位置判定,实现低跟踪置信度情况下初始跟踪结果不准确的校正。其次,基于相关响应图变化设计一种遮挡判别因子,联合相邻帧跟踪置信度波动,自适应调整学习率,实现模型更新。实验结果与分析表明,视觉显著性能够凸显上下文感兴趣目标,减少复杂背景的干扰,校正初始跟踪结果的不准确。自适应更新策略也有助于解决遮挡问题并保持可靠的目标外观。所提方法相比于12种经典跟踪器获得较好跟踪性能的同时,能够满足实时跟踪的需要。
(3)提出一种增强遮挡检测和多峰重定位结合的长时目标跟踪方法。
长时跟踪任务仍然具有挑战性,特别是严重遮挡问题。针对这一问题,首先建立一种自适应互学习模型。在全局颜色模型和多特征判别式相关滤波器(Discriminative Correlation Filter,DCF)两种互补模型的基础上,通过充分检测其可靠性,进行融合与决策,估计目标初始位置。其次,提出一种平均遮挡距离度量。当检测到遮挡时,触发多峰重定位模块,与长时记忆保持机制协作,实现跟踪失败情况下的目标恢复。目标重定位模块基于融合响应图的多峰属性设计,能够在空间上获取多个样本。长时记忆保持机制通过自适应更新,维护模型时间上的可靠性,使其具有跟踪失败情况下重新感知目标的能力。与17种经典跟踪器的对比实验表明,所提方法能够处理长时跟踪中的严重遮挡问题,具有较高的准确性和鲁棒性,并能够满足实时跟踪的需要。
(4)提出一种短时时空相关模型和长时重检测器协同的目标跟踪方法。
大多数现有跟踪器在短时遮挡、显著外观和光照变化等情况下表现良好,但在长时跟踪中遇到重大挑战。这些挑战包括频繁或持久遮挡,以及目标从视野中消失。针对这一问题,提出一种协同长时目标跟踪方法。该方法包括三个部分:短时跟踪组件,跟踪不确定性检测和长时重检测组件。时空信息充分融入各个组件,它们相互交互、协同运行以实现稳健高效的长时跟踪。首先,提出一种时空相关模型作为短时组件,利用时空约束实现正则化优化,提高目标/背景的判别力,用于在每一帧定位可见目标。其次,基于目标在空间上的可靠性和时间上的一致性,设计一种不确定性检测机制,用于在必要时触发长时重检测器。最后,提出一种时空感知的长时重检测器。该方法先通过粒子滤波、相关导引、最近邻合并实现空间上的样本采样与精简,再经模板匹配和置信度重排实现目标重新可见后的恢复。目标模板通过自适应更新能够保持长时记忆,进一步提升方法在目标重现后的感知恢复能力。实验结果与分析表明,与18种经典跟踪器相比,该方法具有更高的鲁棒性和准确性,能够应对长时跟踪中出现的频繁或持久遮挡等问题。
本文针对跟踪过程中,因缺乏目标先验、目标遮挡以及长时跟踪等引起的模型偏移问题,基于相关滤波理论,从建立稳健高效的目标外观模型出发,通过合理利用目标上下文和时空信息,研究鲁棒的目标跟踪方法。
本文主要工作和贡献如下:
(1)提出一种上下文感知遮挡检测的目标跟踪方法。
针对跟踪中常见的遮挡问题,提出一种上下文感知遮挡检测的目标跟踪方法。该方法在多特征核相关滤波(Kernelized Correlation Filter,KCF)估计目标初始位置的基础上,充分利用目标上下文信息和目标连续帧时序上的稳定性判断其遮挡状态。通过相关滤波器反映最可靠目标与其上下文区域之间的内在关系,并融合相关响应稳定性约束,估计当前目标状态。其次,根据遮挡状态和目标外观变化,自适应更新目标外观模型。实验结果表明,所提方法的目标遮挡处理策略利用上下文信息能够有效判断目标当前状态,其连续帧相关响应的可靠性约束使得判断结果更加稳定,提高了跟踪精度和成功率。
(2)提出一种融合显著性检测的自适应目标跟踪方法。
针对跟踪中因缺乏目标先验而产生模型偏移的问题,将视觉显著性引入KCF框架中,通过快速显著性检测、显著目标提取、候选目标估计以及最优位置判定,实现低跟踪置信度情况下初始跟踪结果不准确的校正。其次,基于相关响应图变化设计一种遮挡判别因子,联合相邻帧跟踪置信度波动,自适应调整学习率,实现模型更新。实验结果与分析表明,视觉显著性能够凸显上下文感兴趣目标,减少复杂背景的干扰,校正初始跟踪结果的不准确。自适应更新策略也有助于解决遮挡问题并保持可靠的目标外观。所提方法相比于12种经典跟踪器获得较好跟踪性能的同时,能够满足实时跟踪的需要。
(3)提出一种增强遮挡检测和多峰重定位结合的长时目标跟踪方法。
长时跟踪任务仍然具有挑战性,特别是严重遮挡问题。针对这一问题,首先建立一种自适应互学习模型。在全局颜色模型和多特征判别式相关滤波器(Discriminative Correlation Filter,DCF)两种互补模型的基础上,通过充分检测其可靠性,进行融合与决策,估计目标初始位置。其次,提出一种平均遮挡距离度量。当检测到遮挡时,触发多峰重定位模块,与长时记忆保持机制协作,实现跟踪失败情况下的目标恢复。目标重定位模块基于融合响应图的多峰属性设计,能够在空间上获取多个样本。长时记忆保持机制通过自适应更新,维护模型时间上的可靠性,使其具有跟踪失败情况下重新感知目标的能力。与17种经典跟踪器的对比实验表明,所提方法能够处理长时跟踪中的严重遮挡问题,具有较高的准确性和鲁棒性,并能够满足实时跟踪的需要。
(4)提出一种短时时空相关模型和长时重检测器协同的目标跟踪方法。
大多数现有跟踪器在短时遮挡、显著外观和光照变化等情况下表现良好,但在长时跟踪中遇到重大挑战。这些挑战包括频繁或持久遮挡,以及目标从视野中消失。针对这一问题,提出一种协同长时目标跟踪方法。该方法包括三个部分:短时跟踪组件,跟踪不确定性检测和长时重检测组件。时空信息充分融入各个组件,它们相互交互、协同运行以实现稳健高效的长时跟踪。首先,提出一种时空相关模型作为短时组件,利用时空约束实现正则化优化,提高目标/背景的判别力,用于在每一帧定位可见目标。其次,基于目标在空间上的可靠性和时间上的一致性,设计一种不确定性检测机制,用于在必要时触发长时重检测器。最后,提出一种时空感知的长时重检测器。该方法先通过粒子滤波、相关导引、最近邻合并实现空间上的样本采样与精简,再经模板匹配和置信度重排实现目标重新可见后的恢复。目标模板通过自适应更新能够保持长时记忆,进一步提升方法在目标重现后的感知恢复能力。实验结果与分析表明,与18种经典跟踪器相比,该方法具有更高的鲁棒性和准确性,能够应对长时跟踪中出现的频繁或持久遮挡等问题。