论文部分内容阅读
目标跟踪作为计算机视觉领域一个极具挑战性的课题,成为近年来该领域的研究热点。为了提高目标跟踪的效果,我们兼顾判别模型与生成模型的优点,提出联合判别与生成模型的目标跟踪算法,从而缓解目标跟踪过程中的严重遮挡、运动模糊、快速运动等问题。本文的研究工作包括两个方面,一是提出联合时空上下文与均值偏移的目标跟踪算法,二是提出联合核相关滤波与均值偏移的目标跟踪算法。主要工作和创新成果如下:(1)在严重遮挡时,时空上下文(Spatio-Temporal Context,STC)算法对目标位置的判断是正确的,而均值偏移(Mean Shift,MS)算法对目标位置的判断会发生很大幅度的抖动,甚至跟踪错误目标。在遮挡结束后,时空上下文算法很难重新跟踪到正确目标,而均值偏移算法可以重新检测到目标。因此结合二者的优缺点,提出联合时空上下文与均值偏移的目标跟踪算法STCMS。在当前公用数据集上的实验表明该算法具有较好的跟踪效果。(2)针对目标跟踪面临的运动模糊和快速运动的问题,提出了基于核相关滤波(Kernelized Correlation Filters,KCF)与均值偏移MS的目标跟踪算法KCFMS。在视频的每一帧中,该混合算法首先采用均值偏移算法预测当前帧中的目标位置,然后以这个位置作为核相关滤波算法的输入来二次检测目标位置,最后采用交叉更新策略更新目标模型。此外为了尽可能提高目标跟踪的速度,该混合跟踪算法只有一层。在当前公用数据集上的实验表明该算法具有较好的跟踪效果。