论文部分内容阅读
视觉目标跟踪技术作为机器视觉的一个重要研究方向,被广泛应用于智能监控、人体行为分析、智能机器人等领域。因其面临的场景较复杂,存在运动模糊、形态变化、目标遮挡、背景干扰等多种不确定因素,现有跟踪方法在速度和精度上仍有较大提升空间。为此,研究一种实时性好、整体跟踪能力强的目标跟踪算法是一项十分有价值的工作。本文从目标特征融合、特征权重动态分配、和人类视觉习惯三个方面入手,在前人研究工作的基础上,提出了一些改进策略,归纳如下:1.为了提高视觉目标跟踪算法的适应力,深入分析了 KCF算法的优缺点,综合SAMF、DSST、Staple算法的思想,构建出了一种基于KCF的多特征融合算法。首先,以KCF为基本框架,融合灰度、HOG、CN三种局部特征。然后,结合Staple中的颜色直方图跟踪策略。最后,利用DSST的尺度估计方法来实现尺度自适应。将多种特征和多种算法优点相结合,提高了算法的整体跟踪能力。2.为了进一步发挥多特征融合算法的优势,尤其是发挥颜色直方图跟踪对运动模糊和形态变化适应力强的优势,提出了自适应动态分配颜色直方图跟踪权重系数的方法。通过权重系数预先取多个不同的值,加权融合后得到多个跟踪结果,然后利用去除了背景的二次KCF对获得的多个结果进行打分,最终选择得分最高的权重系数。该方法能在不同场景下,自适应地选择一个较好的权重系数,进一步提高了算法的适应力。3.受人类视觉机制的启发,改进了颜色直方图跟踪中像素点属于目标的概率的计算方法,增大了对目标显著性颜色的重视度,进一步提升了算法整体跟踪性能,尤其是在目标形变严重的场景中有很好的表现。通过以上改进策略,在最主流的公开数据集OTB100和VOT2016共160个视频上实验,本文提出的目标跟踪算法与Staple(2016 CVPR)算法相比,平均精确度提升了 5.1 %,平均成功率提升了 3.7%,且能达到实时跟踪。