【摘要】：視頻跟蹤是計算機(jī)視覺中的重要研究領(lǐng)域,被廣泛應(yīng)用于視頻監(jiān)控、交通控制、運動分析等任務(wù)中,其主要目標(biāo)是對視頻中運動的特定物體進(jìn)行跟蹤。在現(xiàn)實的復(fù)雜場景當(dāng)中,存在著包括物體遮擋、光照變化、姿態(tài)改變、尺度縮放、運動模糊等諸多干擾因素,導(dǎo)致準(zhǔn)確有效地進(jìn)行目標(biāo)跟蹤變得較為困難。本文針對視頻跟蹤中的單目標(biāo)視覺跟蹤問題進(jìn)行研究分析,并根據(jù)目標(biāo)跟蹤中存在的一些問題,致力于設(shè)計出強(qiáng)魯棒性的跟蹤算法。針對復(fù)雜場景下目標(biāo)跟蹤過程中存在的局部遮擋以及目標(biāo)跟蹤漂移問題,提出了一種將稀疏表示與時空上下文信息相結(jié)合的目標(biāo)跟蹤算法。算法建立了一種新的多模板匹配的目標(biāo)跟蹤框架,在多模板匹配的生成式模型跟蹤框架中充分利用了初始幀、上一幀以及發(fā)生顯著變化的歷史幀的目標(biāo)外觀信息。算法利用分塊的稀疏編碼表示處理目標(biāo)的局部遮擋問題,并且建立了一種新的機(jī)制在多模板匹配框架中有機(jī)地融合了空間上下文信息。算法有效的處理了目標(biāo)的局部遮擋問題,并顯著改善了目標(biāo)跟蹤的漂移問題,時空上下文和多模板加權(quán)匹配機(jī)制的應(yīng)用提高了算法在局部遮擋場景下目標(biāo)跟蹤的準(zhǔn)確性。針對傳統(tǒng)方法提取的特征魯棒性較差以及泛化能力不強(qiáng)的問題,提出了一種基于深度特征的生成式目標(biāo)跟蹤算法。算法根據(jù)目標(biāo)跟蹤的特點構(gòu)造了一種更適合于目標(biāo)跟蹤問題的深度卷積神經(jīng)網(wǎng)絡(luò),并利用此網(wǎng)絡(luò)構(gòu)造了一個新的基于深度特征的多模板匹配目標(biāo)跟蹤框架。此外,算法建立了一種新的網(wǎng)絡(luò)和模板的自適應(yīng)更新機(jī)制,算法的多模板匹配部分也采用了新的自適應(yīng)加權(quán)機(jī)制。算法的魯棒性顯著增強(qiáng),在多種復(fù)雜場景下的目標(biāo)跟蹤準(zhǔn)確性明顯提高,同時算法對于長程目標(biāo)跟蹤具有更好地跟蹤效果。針對生成式目標(biāo)跟蹤算法的誤匹配問題以及判別式跟蹤算法中二值化分類標(biāo)簽帶來的匹配不優(yōu)問題,提出了一種基于深度學(xué)習(xí)的生成式判別式結(jié)合的目標(biāo)跟蹤算法。算法構(gòu)造了一種新的自適應(yīng)分類決策目標(biāo)跟蹤框架,算法中不僅包含生成式和判別式模塊,還在這兩個模塊中有機(jī)地結(jié)合了目標(biāo)的長期跟蹤和短期跟蹤。算法中根據(jù)候選塊的分類結(jié)果與目標(biāo)外觀變化程度間的潛在關(guān)聯(lián)特點,建立了一個新的多模塊自適應(yīng)加權(quán)結(jié)合機(jī)制。此外,在新的框架中還創(chuàng)建了一個新的回歸預(yù)測網(wǎng)絡(luò)模塊解決二值化分類標(biāo)簽帶來的問題。算法的泛化能力顯著提高,并且算法在各種復(fù)雜場景中的目標(biāo)跟蹤準(zhǔn)確度都有不同程度的提升。
【圖文】：

，

本文編號：2673980