基于結構化SVM的自適應尺度跟蹤方法研究.pdf

1、視頻目標跟蹤技術是計算機視覺領域的研究熱點，被廣泛應用到智能視頻監(jiān)控和人機交互等領域，具有重要的研究意義。目前，視頻目標跟蹤技術雖然取得了較快的發(fā)展，但是在實際應用場景中，目標的形變、遮擋、光照變化和復雜的背景等因素均會對跟蹤產生較大影響。如何保證跟蹤的實時性、準確性及魯棒性是視頻目標跟蹤技術需要解決的難點問題。Struck算法是一種結構化輸出的跟蹤算法，跟蹤準確性較傳統(tǒng)算法有顯著提高，能夠較好地適應目標的變化，對遮擋具有一定的魯棒性，

2、綜合性能優(yōu)異。然而Struck算法的實時性有待提高，且當目標尺度發(fā)生改變時，跟蹤的準確性明顯下降。論文在Struck跟蹤算法的基礎上進行改進，提出一種基于結構化SVM的自適應尺度跟蹤算法，主要工作內容如下：
　　(1)論文針對 Struck跟蹤算法實時性的不足，在目標跟蹤階段引入目標位置預測過程。在進行目標跟蹤時，通過判別器從稀疏采樣的樣本中計算目標的粗略位置，根據粗略位置可縮小目標的搜索范圍，從而減小在確定目標位置與尺度過程中的

3、計算量，這種由粗到細的搜索策略可以較好地提升算法的實時性。
　　(2)論文針對 Struck跟蹤算法在目標尺度發(fā)生改變時跟蹤準確性下降的問題，提出一種自適應尺度跟蹤方法。首先改進結構化 SVM模型，在模型中增加尺度變量；然后在確定目標位置的過程中，通過多尺度采樣獲取不同尺度大小的樣本；最后利用判別器計算出目標的尺度變化，從而提高跟蹤的準確性。
　　(3)為解決長時間跟蹤易出現(xiàn)的漂移和退化等問題，論文中使用在線增量學習的方法更