论文部分内容阅读
目标跟踪是计算机视觉中的一个重要分支,它在智能交通系统、智能监控系统、智能人机交互和无人驾驶等场景有重要的应用价值。目标跟踪算法投入实际应用时,跟踪器的快速启动与跟踪器的实时性要求使得算法研究充满着难点和挑战。ECO(Efficient Convolution Operator)算法尽管具有鲁棒性强、跟踪效率高等特点,但该算法存在三个问题:(1)初始化训练阶段的运算量冗余,使得跟踪器的启动速度较慢。(2)对所有特征采用相同权重因子,没能突出相对重要的特征。(3)基于CNN(Convolutional Neural Network)的ECO跟踪器运行速度较慢,尽管跟踪精度较高,但实时性太差。针对上述三个问题,本文作了如下工作:(1)针对ECO算法中初始化训练阶段的运算量冗余问题,提出了一种用于特征加权自适应ECO跟踪器。该方法在跟踪器启动时,设置了一种自适应机制来调节跟踪器的训练;在目标跟踪过程中,加入模糊更新机制,降低了系统更新自身滤波器的频率;最后,根据特征不同的通道,分配不同的权重,从而进一步改善ECO跟踪器的效果。最终在OTB-2013数据集上的实验结果显示,该算法有效提升了跟踪器的启动速度和跟踪速度,所造成的精度损失小于1%。(2)为了进一步改善跟踪器的跟踪速度,使它更适合实际应用,提出了一种基于手工特征,HOG(Histogram of Oriented Gradient)、ColorName,的ECO跟踪器。通过可视化CNN与HOG,ColorName特征的滤波器值分布、特征图和定位图,发现基于这些特征的跟踪器表现十分接近。并且,在不同场景下,只要设置合适的目标标签大小,其跟踪精度与基于CNN的ECO跟踪器的差距可以进一步缩小,基于手工特征(HOG、ColorName)的ECO目标跟踪器在采用CPU处理的情况下的帧率能达到60FPS。此方法相较于基于CNN特征的ECO跟踪器,在少量损失跟踪精度的条件下,有效地提高了跟踪速度。