论文部分内容阅读
视觉跟踪是计算机视觉领域中的一项重要的研究课题。无论是在国防军事,还是工业生产,亦或是社会公共安全领域,视觉跟踪都具有广阔的应用前景。然而,视觉跟踪因遭受各种因素的影响而富有挑战性,如环境光照、遮挡、目标变形等。因而,视觉跟踪是计算机视觉领域的一个研究难点。 本文在系统分析已有的视觉目标跟踪方法,其中,在候选目标数量有限时,基于稀疏表示的跟踪方法展现出了良好的跟踪性能。然而,随着候选目标数量增高,稀疏系数的求解速度变慢导致计算成本高、跟踪速度变慢。近几年,深度学习在计算机视觉领域产生了巨大的影响力,深度模型从大量数据中自动学习与目标相关的视觉特征。本文结合深度特征和稀疏表示模型挑选与目标极其相关的候选样本,在降低计算成本的同时提高视觉跟踪的精度和增加模型的鲁棒性。取得的创新性成果总结如下: 1)提出结合深度视觉特征的鲁棒目标跟踪算法,研究利用单层深度特征与局部稀疏表示模型相结合的跟踪方法。深度特征具有稀疏性和选择性,在深度特征提取过程中,卷积层神经元对目标的响应具有选择性。根据神经元特征图中目标区域和背景区域的响应强度大小,可挑选出对跟踪目标更感兴趣的神经元。筛选神经元之后,在特征图上与目标相关的候选样本的响应强度高于非相关的样本,从而可挑选出与目标相关的少量候选样本。结合稀疏表示模型对挑选出的候选样本进行验证以确定跟踪目标。该方法经过深度特征的选择,大大减少候选样本的数量,提高跟踪检测的速度和精度。在实验结果中表明,所提出方法在提升跟踪速度和精度上的具有有效性。 2)结合深度视觉语义信息的鲁棒目标跟踪算法,在结合单层深度特征的跟踪模型的基础上,加入高层语义信息,并与稀疏表示模型相结合共同用于跟踪。深度模型的低层特征包含能区分目标与背景的辨别性信息,高层特征可显示出目标的类别信息,并对部分遮挡具有很强的鲁棒性。该方法通过设置一个平衡参数解决高低层深度特征融合时对同一目标的响应幅度不同的问题,在此基础上,挑选与目标相关的少量候选跟踪样本,并用稀疏表示模型对挑选的候选样本进行进一步的验证。在实验结果表明,该方法的跟踪精度等各项性能得到进一步提升,跟踪方法具有很强的鲁棒性和稳定性。