论文部分内容阅读
基于局部特征表达的目标跟踪算法有很好的抗目标遮挡和形变的能力,因此其在目标跟踪领域有很多的应用和讨论。虽然基于局部特征表达的目标跟踪算法有很多的优点,但其仍然存在如下的几个问题:1.对目标有效的特征表达是目标跟踪领域中的一个根本性问题,一个有效的目标特征表达方式能对跟踪器的跟踪性能起到决定性的作用。而传统的基于局部的目标表达是把目标的所有局部区域用统一的特征信息进行表达,没有根据每一个局部特征的位置信息进行有区别的表达,这样每一个局部特征便不能做到都很好的区分前景和背景。2.深度神经网络特征相比于人工设计特征的拥有巨大优势。不同于人工设计特征,深度神经网络特征通过对大量数据样本的学习找到一种语义方面更加高层的目标表达。然而,基于局部的跟踪算法大都没有很好的利用深度神网络不同卷积特征图对不同的局部区域的不同表达,从而不能很好的利用不同局部块的位置信息选择和使用最适合其区分前景和背景的特征图。3.由于在目标跟踪问题中,目标的尺度变换一直是一个很重要也很难解决的问题,在基于局部的目标跟踪算法中,常用的目标跟踪尺度变换方式不能很好的解决目标的尺度变化问题,从而不能很有效的跟踪有形变的跟踪目标。下一个问题不单单存在于基于局部的目标跟踪算法中,它普遍存在于所有机制的跟踪算法中,在目标跟踪领域,目标的形变、遮挡、模糊、快速移动、尺度变化等等不确定因素是每个视觉跟踪算法所要面临和应对的挑战。但是由于每一个跟踪器跟踪的机制不同,一个视觉跟踪器往往不能很好的处理上述所有不确定因素,从而造成跟踪算法对特定跟踪目标跟踪失败的情形。针对问题一,本文提出一种有效的局部特征目标表达方式,利用目标中每一个局部区域的位置信息,通过观察目标局部的不同颜色特征,设计出一种能够根据不同局部区域的位置信息自适应的找到最能区分前景和背景的特征表达,最终融合每一个局部特征使得整个目标的特征表达能够很好的区分前景和背景,从而提升整体的目标跟踪的性能。针对问题二,在上述基于目标局部的不同颜色特征和位置信息进行自适应特征表达的基础上,本文充分利用深度神经网络不同特征图的特点,对目标进行有区别的局部特征表达。针对问题三,本文借鉴在目标检测中比较常用的目标框回归的方式去解决基于局部的压缩感知目标跟踪算法中的尺度变换问题,从而使得基于局部的压缩感知目标跟踪算法也能很好的尺度变化功能。针对最后一个问题,本文通过多个不同的跟踪器同时跟踪一个目标,在每一帧都选择"最好"跟踪结果,把多个不同跟踪机制的跟踪器的优点融合,弥补不同跟踪器的缺点,做到端到端的多跟踪器的性能提升。实验证明通过本文提出的基于颜色特征和深度特征的局部特征选择算法对基于局部的目标跟踪算法的性能有一个较大的提升,同时,基于目标框回归的尺度变换能很好的解决基于局部特征表达的目标跟踪的尺度变换问题。最后通过多跟踪器选择算法,多个跟踪器的优点被整合,同时整体的跟踪性能得到可观的提升。