论文部分内容阅读
计算机视觉中最重要的分支之一就是视频中的目标跟踪，它被广泛地应用于现实生活中。但由于照明变化、遮挡、背景杂波、快速运动和目标移出视图等外观变化，导致尽管近年来视频中的目标跟踪技术取得了重大进展，却依然存在着许多难点。尤其是在视频多目标跟踪中，需要对视频中的每个目标进行编号，需要对不同帧之间的目标进行匹配，需要解决目标间的互相遮挡、相似外观等更为复杂的问题。因此研究出成功率和精度都更高的视频单目标和视频多目标跟踪算法具有十分重要的理论意义和实用价值。
在视频单目标跟踪领域中，粒子滤波的优势在于处理非线性和非高斯场景的能力较强，不足之处在于容易出现精度不稳等问题。而使用CNN来提取目标特征时，通常只用到了最后一层的语义信息，却没有利用更低层次的空间信息。针对上述两个问题，本文将提出两种不同的视频单目标跟踪算法，将滤波器与智能算法、CNN的分层特征相结合，并通过仿真来验证所提出算法的可靠性。在视频多目标跟踪领域中，需要算法做到持续稳定的跟踪视频图像序列中的多个目标。考虑到近几年涌现了越来越多表现优异的目标检测算法，本文将提出一种结合了目标检测算法、跟踪器和数据关联的视频多目标跟踪算法，并通过仿真来验证所提出算法的可靠性。本文主要研究工作和创新点如下：
(1)针对粒子滤波器在跟踪过程中出现的权值退化和样本贫化问题，提出一种基于差分进化蝙蝠算法(DEBA)改进粒子滤波的算法。为了评估改进后的算法表现，将该算法与标准粒子滤波、利用其它智能算法改进后的粒子滤波进行仿真对比。结果表明基于DEBA改进后的粒子滤波算法在整体性能上明显优于其它对比算法，且在跟踪的成功率和精度上有了大幅提升。
(2)针对目标外观变化引起的跟踪失败、未能充分利用CNN的分层特性等问题，提出一种融合了分层CNN相关滤波器和粒子滤波器（HCCPF）的视频单目标跟踪算法。在该算法中，粒子滤波作为运动模型预测目标位置，CNN作为特征提取器分层提取目标特征，相关滤波器储存目标外观的长期记忆。通过仿真对比与分析，可以发现该算法较于其它对比算法拥有更好的性能和跟踪效果。
(3)针对多目标跟踪系统中，目标ID频繁变化和目标被遮挡等导致跟踪失败的问题，提出一种基于目标检测和数据关联的多目标跟踪算法。在提出的算法中，使用SSD检测所有同类目标，KCF作为单目标跟踪器预测目标位置，匈牙利算法完成目标间的关联匹配，用不同的颜色框区分不同的目标，并保持框的颜色不变。仿真结果表明该算法能够持续稳定地跟踪到视频序列中的每个目标。
在视频单目标跟踪领域中，粒子滤波的优势在于处理非线性和非高斯场景的能力较强，不足之处在于容易出现精度不稳等问题。而使用CNN来提取目标特征时，通常只用到了最后一层的语义信息，却没有利用更低层次的空间信息。针对上述两个问题，本文将提出两种不同的视频单目标跟踪算法，将滤波器与智能算法、CNN的分层特征相结合，并通过仿真来验证所提出算法的可靠性。在视频多目标跟踪领域中，需要算法做到持续稳定的跟踪视频图像序列中的多个目标。考虑到近几年涌现了越来越多表现优异的目标检测算法，本文将提出一种结合了目标检测算法、跟踪器和数据关联的视频多目标跟踪算法，并通过仿真来验证所提出算法的可靠性。本文主要研究工作和创新点如下：
(1)针对粒子滤波器在跟踪过程中出现的权值退化和样本贫化问题，提出一种基于差分进化蝙蝠算法(DEBA)改进粒子滤波的算法。为了评估改进后的算法表现，将该算法与标准粒子滤波、利用其它智能算法改进后的粒子滤波进行仿真对比。结果表明基于DEBA改进后的粒子滤波算法在整体性能上明显优于其它对比算法，且在跟踪的成功率和精度上有了大幅提升。
(2)针对目标外观变化引起的跟踪失败、未能充分利用CNN的分层特性等问题，提出一种融合了分层CNN相关滤波器和粒子滤波器（HCCPF）的视频单目标跟踪算法。在该算法中，粒子滤波作为运动模型预测目标位置，CNN作为特征提取器分层提取目标特征，相关滤波器储存目标外观的长期记忆。通过仿真对比与分析，可以发现该算法较于其它对比算法拥有更好的性能和跟踪效果。
(3)针对多目标跟踪系统中，目标ID频繁变化和目标被遮挡等导致跟踪失败的问题，提出一种基于目标检测和数据关联的多目标跟踪算法。在提出的算法中，使用SSD检测所有同类目标，KCF作为单目标跟踪器预测目标位置，匈牙利算法完成目标间的关联匹配，用不同的颜色框区分不同的目标，并保持框的颜色不变。仿真结果表明该算法能够持续稳定地跟踪到视频序列中的每个目标。