基于稠密時空上下文的目標(biāo)跟蹤算法研究.pdf

1、視頻目標(biāo)跟蹤是計算機視覺領(lǐng)域待解決的核心問題之一，它是一系列后續(xù)工作任務(wù)的基礎(chǔ)。盡管視頻目標(biāo)跟蹤已經(jīng)經(jīng)過了數(shù)十年的研究，且已經(jīng)開發(fā)出許多高效的跟蹤算法，但這些算法的應(yīng)用面仍然較為狹窄，不能作為一般意義下的跟蹤，原因在于實際應(yīng)用中，目標(biāo)跟蹤過程往往會受到很多因素的影響，甚至被多種因素同時干擾，如光照變化、快速運動、運動模糊、面內(nèi)外旋轉(zhuǎn)以及遮擋等，因此開發(fā)一個適用于任何情況下的高效魯棒的算法非常困難。本文主要針對結(jié)合上下文信息類型的跟蹤算法

2、進(jìn)行了深入研究。
　　2014年由張開華等人[27]提出的時空上下文目標(biāo)跟蹤（Spatio-temporal Context，簡稱為 STC）算法，是一種基于生成法模型，將跟蹤、學(xué)習(xí)、檢測融為一體的跟蹤算法。在該算法中，張等人通過在生成模型中加入背景信息作為空間位置考量，并且使用FFT加速，實現(xiàn)了實時、魯棒且高效的跟蹤效果。該算法最大的特點是速度很快，魯棒性較高，在一般場景下的跟蹤可以達(dá)到非常好的效果。但其同時也存在一些缺點：①抗

3、強干擾能力弱---如果在跟蹤過程中目標(biāo)對象受到了強干擾極有可能導(dǎo)致跟蹤漂移和失??；②極端情況下丟失目標(biāo)后無法尋回---由于STC算法屬于局部候選搜索，當(dāng)目標(biāo)重新出現(xiàn)的位置超出了局部上下文搜索區(qū)域時，無法正常尋回；③易發(fā)生模型漂移---由于算法不能實現(xiàn)百分之百的跟蹤正確率，尤其是在受到強干擾時，此外還存在著潛在的采樣誤差，并且 STC算法完全基于Markov時間平滑假設(shè)，對于每一幀的結(jié)果都不加選擇的學(xué)習(xí)，勢必會引入一定程度的誤差，隨著模板

4、持續(xù)更新，誤差逐漸被積累，最終會導(dǎo)致模型徹底失敗。
　　本文針對STC算法存在的抗強干擾能力弱、跟蹤丟失以后無尋回能力以及易發(fā)生模型漂移等問題，進(jìn)行了一系列有針對性的研究。論文的研究內(nèi)容及取得成果如下：
　?、偬岢隽艘环N結(jié)合粒子濾波（PF）的時空上下文跟蹤算法。新方法在分析原STC算法的基礎(chǔ)上，增加了強干擾檢測以及后備粒子濾波。當(dāng)檢測到目標(biāo)跟蹤過程中遇到強干擾時，可及時啟用粒子濾波對STC的預(yù)估計結(jié)果進(jìn)行修正，有效避免了目標(biāo)

5、跟蹤漂移，增強了跟蹤魯棒性。
　?、谔岢隽艘环N基于自適應(yīng)結(jié)構(gòu)模型的時空上下文跟蹤算法。新方法提出了一個新的適用于在線跟蹤類型算法的自適應(yīng)結(jié)構(gòu)模型，該模型通過保存一定數(shù)量的歷史快照模板，當(dāng)新的一幀到來時，同時使用快照模板和常規(guī)模板進(jìn)行跟蹤，當(dāng)檢測到歷史快照模板的適應(yīng)性高于常規(guī)模板時，立即對常規(guī)模板進(jìn)行替換回滾，有效抑制了誤差積累，增強了跟蹤魯棒性。
　?、圩詈蠓謩e對上述兩種改進(jìn)算法進(jìn)行了實驗并分析其改進(jìn)效果。通過在Tracke