论文部分内容阅读
目标跟踪技术在视觉监控和自动驾驶等领域都有着广阔的应用,受到了许多学者的广泛关注。虽然这几年目标跟踪技术取得了一定的进展,但由于实际应用中对性能的要求越来越高,以及尺度变化和遮挡等因素的干扰,使得如何提高目标跟踪的成功率、精度、抗干扰的能力,成为了研究的关键点。本文针对核相关滤波算法(Kernelized Correlation Filters,KCF)中存在的,在受到尺度变化和遮挡等因素干扰时易产生跟踪失败的问题,对相关滤波器的相关算法进行了深入研究,设计了改进算法和对应的目标跟踪系统。1.为解决核相关滤器跟踪算法在面对尺度变化易产生目标漂移的问题,本文采用分离窗口和尺度金字塔结合的方法来解决视频目标跟踪中的尺度问题,并给出了一种用来提取视频图像全局特征的一种特征组合方法,设计了分离窗口尺度自适应跟踪算法(Fast Scale Adaptive Correlation Filter,FSACF)。FSACF算法在解决尺度变化造成的跟踪失败的问题同时,保证了跟踪器的性能。2.为解决KCF跟踪算法在跟踪过程中遇到目标遮挡时易发生模型污染,从而导致跟踪失败的问题,本文利用颜色直方图对目标进行似然估计,以此对弱化边界效应的Hanning窗口进行优化,并将其与对目标更友好的Gaussian窗口进行加权融合,以此得到更为鲁棒的基于颜色直方图的自适应双窗口响应图。基于颜色直方图的自适应双窗口解决了模型污染的问题,从而保证跟踪的进行。3.为解决KCF跟踪算法在面对外观变化时,易产生目标漂移的问题,本文采用多级模板策略,基于均峰能量值对目标外观信息进行合理地筛选,保留对后续视频序列更有用的目标外观模板信息。通过基于均峰能量值的多级模板策略组成多级模板组对候选目标进行多级筛选,设计了多级模板自适应跟踪算法(Multilevel Template Correlation Filter,MTCF),提升了算法的精度。4.本文设计实现了改进KCF跟踪算法模型的目标跟踪模型系统,该系统实现了对框定出的目标进行实时的跟踪。