1. 引言
目标跟踪作为计算机视觉领域的重要研究分支之一,在近十几年中取得了很大的进步.
虽然目前已经有了较为广泛应用,但实际跟踪过程中,在目标背景复杂,运动模糊或发生
遮挡等方面,容易出现目标漂移从而导致长期跟踪的失败.
文献[1-2]中,提出最小误差输出和相关滤波的方法,利用核函数解决了线性不可分的
问题,提高了目标跟踪的速度.但是相关滤波算法的训练集都是由循环移位产生,不可避免
的会发生边界效应影响跟踪效果.2015 年,Danelljan 等人
[3]
提出了空间正则化相关滤波算法
(SRDCF),通过对滤波器进行负高斯形正则化权重来抑制边界效应,并采用 Gauss-Seidel
迭代法进行滤波器的求解,算法复杂度增加使得跟踪速度大大降低.后续在此基础上的研究
中,虽然算法总体跟踪精度和速度都有了一定的提升,但是当发生遮挡等情况导致目标丢
失时,算法很难再将目标准确地找回.Ma 等人
[4]
对长视频目标跟踪算法(LCT)进行了研究,
算法中加入重新检测机制,可以在目标长期遮挡或快速移动以后尝试再次捕捉目标,但是
由于检测器单一,模型鲁棒性不够导致最终的跟踪结果不够理想.
本文在文献[3]的基础上,提出一种新的基于双检测器系统的长期目标跟踪算法.主要
贡献如下:(1)加入检测速度较快的 SVM 检测器和检测精度较高的孪生网络检测器的双检
测器的重新检测系统.在跟踪过程中,若发生目标丢失的情况时,通过两个检测器的协同工
作,可以准确找到目标并持续跟踪.(2)对空间正则化权重进行每帧更新,实现空间权重的自
适应,进一步降低边界效应的影响,提高相关滤波器的鲁棒性;(3)采用 ADMM 迭代算法
对目标函数进行优化求解,降低模型的计算复杂度.
2. 算法整体框架
本文提出的算法框架如图 1 所示,大致分为三个部分:目标跟踪部分,目标信息处理
部分和检测器部分.在处理第一帧图像时,需要分别提取包含背景的图像和目标图像的特征
来训练初始滤波器 F
1
和 F
2
.在目标信息处理部分,选择提取图像的梯度方向直方图(HOG)特
征,并计算最大响应值来判断跟踪状态;在目标跟踪部分,选用一种改进的梯度方向直方
图特征,即 31 维梯度方向直方图特征(f HOG),该特征在反应目标图像的边缘信息和根据
局部梯度将图像的局部外观和形状特征化方面有着较好的表现,且能够很好的应对光照变
化和形变等情况
[5]
.检测器部分由 SVM 检测器和孪生网络检测器组成,分别记为 Det1 和
Det2.
评论0
最新资源