论文部分内容阅读
在人工智能蓬勃发展的今天,视频目标的识别及深层次信息的解译成为智能监控、视觉导航、智能交通、人机交互、国防侦察等应用领域的研究热点。而目标跟踪技术是视频目标识别及解译的基础,其核心是目标跟踪算法要有较高的准确性和鲁棒性。在诸多目标算法中,核相关滤波(KCF)目标跟踪算法通过提取初始帧观测对象的HOG特征,采用循环移位构造大量特征样本,通过核岭回归方法训练分类器预测目标位置,具有精度高、速度快、鲁棒性高的特点而备受青睐。但在实际应用中,当目标与背景颜色相近、场景光照及目标尺度和形状发生明显变化时,依靠单一HOG特征的KCF算法易导致目标跟丢;同时,被观测目标往往被其他静止或运动对象部分或短时完全遮挡,抗遮挡目标跟踪问题是目前鲜有人涉足的挑战性课题。论文以研究项目的实际应用需求为牵引,致力于利用核相关滤波目标跟踪框架理论,探索构造目标特征表达模型和多特征融合规则,研究目标背景复杂、场景光照及目标尺度和形状变化明显、目标被遮挡等复杂场景下的抗遮挡KCF目标跟踪算法,以提高在复杂场景下KCF目标跟踪的准确性和鲁棒性。论文主要研究内容有:(1)研究了传统KCF目标跟踪算法存在的缺点,提出了多特征融合规则,实现了多特征融合KCF目标跟踪算法。KCF目标跟踪的有效性和准确性依赖于如何根据目标场景的特点合理建立目标特征模型。论文首先分析了传统KCF算法依靠单一HOG特征,当出目标背景复杂、场景光照及目标尺度和形状发生明显变化时,易导致目标跟踪丢失的缺陷。在此基础上,根据场景的特点,提出兼顾目标HOG、LBP、CN特征的多特征加权融合规则,实现了适应复杂场景目标跟踪任务的多特征融合KCF目标跟踪算法。(2)提出了部分遮挡情况下的KCF抗遮挡目标跟踪算法。在多特征融合KCF目标跟踪算法研究的基础上,针对非完全遮挡的目标跟踪任务,依据相邻帧核相关滤波器输出响应图的峰值旁瓣比的求解方法,把当前帧和上一帧峰值旁瓣比的平均值作为判断当前帧被观测目标是否发生遮挡的阈值:若当前帧的峰值旁瓣比值小于当前帧阈值,则视为当前帧被观测目标发生了遮挡,进而不更新当前帧核相关滤波器模型,从而提出了一种自适应目标遮挡判断方法和抗遮挡核相关滤波目标跟踪算法。对比实验表明,所提出方法在目标局部遮挡和严重遮挡时具有较好的跟踪精度和鲁棒性。(3)提出了一种目标短时完全遮挡情况下的有效跟踪方法在已提出的目标部分遮挡自适应判断方法和抗遮挡KCF目标跟踪算法的基础上,针对目标短时完全遮挡问题,采用朴素贝叶斯和KNN相结合的组合分类器有效实现了观测目标再出现时的自适应目标检测,从而实现了目标短时完全遮挡情况下的KCF跟踪算法。实验结果表明,所提算法对短时完全遮挡的目标跟踪具有较好的精确性和鲁棒性。