论文部分内容阅读
目标跟踪技术是计算机视觉应用研究的最基本的问题，迄今为止，有各种各样的跟踪算法被提出。近年来基于相关滤波和深度学习方法的提出，很大程度地提高了跟踪算法的性能。然而，目标跟踪技术依然具有很多问题，这主要是因为在跟踪过程中目标的外观会因运动模糊、背景杂乱、形态变化和目标遮挡等诸多挑战性场景而发生较大的改变。如何在这些复杂多变的跟踪场景下保持目标外观模型的准确性是目标跟踪技术急需解决的难题。目标跟踪技术的研究重点主要在目标外观特征的表示以及分类训练方法的改进两个方面。本课题主要从目标外观模型的准确性角度，着重分析目标特征对跟踪算法的影响。
本文主要完成的工作有以下几点:
(1)研究讨论了目标特征的表达能力对跟踪算法性能的重要性。实验分析了灰度特征、颜色特征及HOG特征对逻辑回归、支持向量机和核相关滤波三种典型分类框架的跟踪算法的影响;
(2)以核相关滤波算法为基础，讨论分析了目标的背景特征对跟踪算法性能的影响，通过实验验证背景特征数量的增加对跟踪算法性能具有积极作用;
(3)以核相关滤波算法为基础，利用VGG19网络提取目标在不同卷积层的特征，详细分析了不同卷积层的目标特征对跟踪算法性能的影响。提出利用峰旁瓣比对不同层卷积特征的响应结果进行加权的方法，有效地结合跟踪性能最好的第4层和第5层卷积特征并获得了良好的跟踪结果;
(3)以全卷积孪生网络的跟踪算法作为基础，提出将颜色名称特征用于全卷积孪生网络跟踪框架的通道降维方法。利用主元分析的方法提取最为显著的两个颜色通道并结合图像的灰度特征构建满足孪生网络输入的图像格式。通过加入颜色名称特征，在一定程度上提高了全卷积孪生网络跟踪算法的性能;
(4)本文选用OTB测试基准集作为算法性能的验证平台，从定性和定量两个方面对跟踪算法的性能进行验证分析。通过利用卷积层特征使得KCF方法在成功率指标和准确率指标上分别提高了21.6％和17.3％。通过利用颜色名称特征使得孪生网络跟踪算法在成功率指标和准确率指标上分别提高了4.2％和3％。
本文主要完成的工作有以下几点:
(1)研究讨论了目标特征的表达能力对跟踪算法性能的重要性。实验分析了灰度特征、颜色特征及HOG特征对逻辑回归、支持向量机和核相关滤波三种典型分类框架的跟踪算法的影响;
(2)以核相关滤波算法为基础，讨论分析了目标的背景特征对跟踪算法性能的影响，通过实验验证背景特征数量的增加对跟踪算法性能具有积极作用;
(3)以核相关滤波算法为基础，利用VGG19网络提取目标在不同卷积层的特征，详细分析了不同卷积层的目标特征对跟踪算法性能的影响。提出利用峰旁瓣比对不同层卷积特征的响应结果进行加权的方法，有效地结合跟踪性能最好的第4层和第5层卷积特征并获得了良好的跟踪结果;
(3)以全卷积孪生网络的跟踪算法作为基础，提出将颜色名称特征用于全卷积孪生网络跟踪框架的通道降维方法。利用主元分析的方法提取最为显著的两个颜色通道并结合图像的灰度特征构建满足孪生网络输入的图像格式。通过加入颜色名称特征，在一定程度上提高了全卷积孪生网络跟踪算法的性能;
(4)本文选用OTB测试基准集作为算法性能的验证平台，从定性和定量两个方面对跟踪算法的性能进行验证分析。通过利用卷积层特征使得KCF方法在成功率指标和准确率指标上分别提高了21.6％和17.3％。通过利用颜色名称特征使得孪生网络跟踪算法在成功率指标和准确率指标上分别提高了4.2％和3％。