论文部分内容阅读
目标跟踪作为计算机视觉的热门研究领域之一,一直受到国内外研究学者的关注,在各大顶级会议和期刊的相关研究屡见不鲜;研究成果在导弹制导、自动驾驶等自动化领域扮演着核心角色。近几年,基于相关滤波和深度网络的算法成为目标跟踪主流算法。多域卷积神经网络(MDNet)跟踪算法作为深度网络目标跟踪算法的代表,在VOT2015目标跟踪竞赛中获得冠军,有着较高的成功率和精度,但是由于目标训练样本分辨率低,样本缺乏,在背景相似物干扰情况下容易跟丢;并且深度特征重复提取和网络频繁训练更新,耗费较多计算资源,速度较慢,无法实际使用。针对以上问题,本文提出结合相关滤波位置先验和多域卷积神经网络的算法框架,提高算法的鲁棒性;同时优化网络结构和更新策略,提升算法速度。本文主要研究工作如下:(1)提出结合位置先验的多域卷积神经网络目标跟踪算法。算法将高性能相关滤波算法(空间正则化相关滤波,SRDCF)预测结果作为先验信息输入深度网络,深度网络检测相关滤波的预测目标位置的可靠性,并用该预测位置为基准,根据样本偏离度去除深度网络中干扰候选样本,在剩余候选样本中选出最高置信度的样本作为目标;最后根据跟踪结果的置信度更新滤波器和深度网络。算法在OTB-100和VOT-2016数据集进行评估测试,实验结果表明本文算法跟踪性能高于MDNet算法,在背景相似物干扰情况下效果显著提升。(2)提出一种新的网络结构(FastNet)和网络更新频率自适应的策略。首先在原网络的卷积特征提取层后加入ROI-Align层,解决以前目标候选样本的卷积特征重复提取问题,极大提高特征计算效率;同时为缓解加入ROI-Align层特征池化后造成的目标定位不精确的问题,去除第二卷积层后的池化层,第三层卷积层采用空洞卷积,特征图的分辨率提高一倍,包含的语义信息被增强;根据每帧目标的置信度衡量目标状态,自适应调整网络更新频率,进一步提高速度。(3)改进DSST相关滤波模型,将其预测结果作为先验信息。在DSST模型中引入网络置信度,结合PSR判断目标状态:当两者高于阈值时,滤波器每两帧更新一次;PSR低于阈值及置信度高于阈值时,用深度网络预测结果强制更新滤波器;两者都低于阈值时,滤波器停止更新,提升模型鲁棒性和速度。整体算法在OTB-2013数据集下实测,性能优于主流实时跟踪算法,速度为25FPS,达到实时视频跟踪要求。