一種在線學習實時長期目標跟蹤算法研究與實現.pdf

1、目標跟蹤是一項跨學科的科學技術，融合了包括圖像處理、機器學習、模式識別、統計學等領域的知識，在視頻監(jiān)控、生產安全、社會安防、交通監(jiān)管、軍事制導等領域中有著廣泛的應用前景。近幾年出現相關濾波跟蹤算法具有很強的實時性和魯棒性，因此成為跟蹤領域研究的熱門方向之一。其中KCF算法通過循環(huán)矩陣性質和快速傅里葉變換，避免了最小二乘閉式解的矩陣求逆操作，極大的加速了訓練和檢測過程； YOLO是一種新型端到端卷積神經網絡，在實時性和準確度上相比傳統目標

2、檢測算法有巨大優(yōu)勢，可以作為檢測器初始化跟蹤器；因此兩者結合在實時視頻監(jiān)控領域應具有很好應用前景。
　　本論文重點闡述了兩種改進的KCF跟蹤算法，分別是基于多特征融合自適應尺度的跟蹤算法，和結合相關濾波、YOLO網絡的一種長期目標跟蹤算法。改進旨在保證實時性的前提下提升算法在目標尺度變化、被遮擋等環(huán)境的跟蹤成功率。具體工作包括：
　　1.多特征融合：采用 FHOG、CN和灰度三種特征融合，提升了算法在多個場景下的跟蹤準確度。

3、
　　2.尺度自適應：利用快速構建特征金字塔技術提升多尺度特征的提取速度，采用多任務結構提升算法在目標尺度變化場景下的成功率。
　　3.改進學習策略：通過細化參數更新流程，提高目標過去樣本權重，使得學習到的回歸模型更加準確，避免過擬合。
　　4.研究并實現以YOLO網絡的卷積輸出作為特征的相關濾波定位方式。
　　5.研究并實現利用YOLO的區(qū)域生成進行尺度評估的新尺度自適應方法。
　　6.利用YOLO的區(qū)域

4、生成替代傳統的滑動窗口，實現跟蹤失敗后的再檢測。
　　在 OTB數據庫上進行了成功率和魯棒性評估，采用人工特征的算法 FSKCF在時間魯棒性測試中成功率為62.9％，在同類測試算法中排名第一，采用CNN特征的YOLOCF算法成功率59.2%，排名第五；在跟蹤目標尺度變化的環(huán)境下，跟蹤成功率在同類算法中分別排名第一和第三。兩種算法在50段視頻的測試中速度分別為80.4fps和30.4fps。得益于改進算法的高成功率和實時性，本文實現