基于相关滤波器的视觉目标跟踪方法研究

发布时间：2021-01-03 18:52

　　尽管近年来基于相关滤波器的视觉目标跟踪算法展示出了优异的性能,但现存的大部分算法在遇到多特征通道的时候仍然会受到包括非充分学习、非置信结合和非弹性更新在内的这三个缺陷所带来的限制。针对算法中的这三个缺陷,我们提出IFCT（Independent Feature Channels-based Tracking,基于独立特征通道的跟踪）。为了解决非充分学习的缺陷,我们在各特征通道中独立地学习对应的相关滤波器。随后我们根据各个特征通道的置信程度来生成最终响应谱,以解决非置信结合的缺陷。置信程度通过各个特征通道的响应谱的最优空间分布和最优时间分布来决定。在这样的情况下,各个特征通道中的相关滤波器能够根据对应通道独有的学习率独立地进行在线更新,以解决非弹性更新的缺陷。各个通道中的独有的学习率能够反映通道中特征空间变化的多样性,即用于各特征通道中相关滤波器的在线更新的学习率能够随对应通道中特征的变化而自适应地变化。我们在标准数据库OTB-2013和OTB-2015上实施了大量的实验。特别是在OTB-2015数据库上,我们的IFCT与实验的baseline（参照方法）,fDSST（fast Disc... 

【文章来源】：南京邮电大学江苏省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

基于相关滤波器的视觉目标跟踪算法中的三个缺陷

图 1.2. 视觉目标跟踪过程中能够造成模型漂移的情况举例。涉及的图像分别来自序列（a）bird1、（b）sylvester、（c）box、（d）jumping 和（e）bolt。（1）场景导致的模型漂移场景导致的模型漂移主要是由于目标区域框内的场景蕴含了干扰信息，而干扰信息是由于目标不确定的外观和目标区域框的不匹配、遮挡和运动模糊造成的。如图 1.2（a）所示，在目标的区域框内，目标的外观只占了面积较少的一部分，那么其余部分也会被认为是目标而用于相关滤波器的学习。那么，被大量类似这种情况的样本影响的相关滤波器可能会将搜索范围内的背景误认为目标。如图 1.2（b）所示，目标的旋转造成了目标外观和目标区域框的不匹配，从而导致模型漂移。图 1.2（c）展示了遮挡造成的模型漂移，由于目标信息的一部分被背景遮挡而且背景正好位于目标区域的中心，这样的场景会严重影响相关滤波器的鉴别能力。如图 1.2（d）所示，运动模糊降低了样本的质量，这样的样本会降低相关滤波器的鉴别能力。

图 3.1. 独立特征通道的响应谱结合。我们将各个通道的置信度定义为结合的权重。3.2.1 响应谱的最优空间分布我们引入一个综合的算子来描述响应谱的空间置信度。响应谱的空间分布如图 3.2所示。由于以下的一些指标不能够全面地衡量响应谱的空间分布，这个算子中采用乘法将它们联合起来。对于任意一个响应谱R ，我们定义其空间分布的可信度为：( ) =( )kkJ R J R， （3.6）其中 ( ) ( ) ( ) ( ) ( ) , , ,FMAX PSOC PSR APCEJ R J R J R J R J R ， k 是集合 J ( R )中元素的标号。FMAX（Maximum of the response map）表示响应谱中的最大值，它能够通过如下获得：( ) ( )FMAXJ R max R . （3.7）PSOC（Peak Standing Out of the Crowd），是响应谱中最大峰值和第二大峰值之间的比值


本文编号：2955313