论文部分内容阅读
目标跟踪是计算机视觉领域中最具有挑战的工作之一,研究者们已经提出了许多优秀的目标跟踪算法,但实际环境中的目标跟踪仍然面临着一系列的挑战。跟踪过程中目标外观变化和周围环境的变化常常导致跟踪失败。为了解决上述问题,本文针对核相关滤波的目标跟踪算法进行了研究与探索,并结合卷积神经网络算法对核相关滤波算法做出了改进。本文的主要工作如下:1)提出一种核相关滤波重跟踪算法advancedKCF,用以解决核相关滤波跟踪算法在遮挡情况下的鲁棒性不足。首先提出了一种目标遮挡与跟丢检测的机制,能准确地判断当前帧目标跟踪的效果;然后提出了一种倒金字塔的候选框搜索方式,根据不同的区域给出不同的搜索步长,大大提高了候选框的搜索速度;最后提出了一种自适应的模板更新方式,最大程度地保证了模板内包含的都是目标的有效信息,从而可以使算法在遮挡环境中依然具有很强的适应性。2)提出一种融合卷积神经网络的核相关滤波跟踪算法KCF_GOTURN,将离线训练和在线更新进行有机结合,既能从海量数据库中获取对目标跟踪的有用信息,又能在线获得目标的实时跟踪状态;以旁瓣比为桥梁,提出了一种KCF算法和GOTURN算法的融合方式,当KCF算法跟踪状态欠佳时使用GOTURN算法对其进行修正;同时,提出了一种自适应的KCF算法和GOTURN算法模板更新方式,最大程度地保证了KCF模板内包含的都是目标的有效信息,同时也保证了GOTURN网络的输入为正确的跟踪目标,从而使算法对于各种复杂环境都具有较强的鲁棒性。3)结合以上算法,形成本文最终的算法。使用标准测试集中的所有50个视频序列对改进算法进行测试。实验结果表明,KCF_GOTURN算法的距离精度和重叠精度分别为0.716和0.570,和advancedKCF算法相比分别提高了0.049和0.032;和原KCF算法相比分别提高了0.073和0.047;和原GOTURN算法相比分别提高了0.149和0.132。实验结果表明,本文提出的两种改进算法优于目前主流的目标跟踪算法,在复杂环境中能适应目标的外观变化,依然能稳定并且准确地跟踪目标。