基于特征和模型選擇的視頻目標(biāo)跟蹤.pdf

1、基于局部特征表達(dá)的目標(biāo)跟蹤算法有很好的抗目標(biāo)遮擋和形變的能力，因此其在目標(biāo)跟蹤領(lǐng)域有很多的應(yīng)用和討論。雖然基于局部特征表達(dá)的目標(biāo)跟蹤算法有很多的優(yōu)點，但其仍然存在如下的幾個問題:1.對目標(biāo)有效的特征表達(dá)是目標(biāo)跟蹤領(lǐng)域中的一個根本性問題，一個有效的目標(biāo)特征表達(dá)方式能對跟蹤器的跟蹤性能起到?jīng)Q定性的作用。而傳統(tǒng)的基于局部的目標(biāo)表達(dá)是把目標(biāo)的所有局部區(qū)域用統(tǒng)一的特征信息進(jìn)行表達(dá)，沒有根據(jù)每一個局部特征的位置信息進(jìn)行有區(qū)別的表達(dá)，這樣每一個局部特

2、征便不能做到都很好的區(qū)分前景和背景。2.深度神經(jīng)網(wǎng)絡(luò)特征相比于人工設(shè)計特征的擁有巨大優(yōu)勢。不同于人工設(shè)計特征，深度神經(jīng)網(wǎng)絡(luò)特征通過對大量數(shù)據(jù)樣本的學(xué)習(xí)找到一種語義方面更加高層的目標(biāo)表達(dá)。然而，基于局部的跟蹤算法大都沒有很好的利用深度神網(wǎng)絡(luò)不同卷積特征圖對不同的局部區(qū)域的不同表達(dá)，從而不能很好的利用不同局部塊的位置信息選擇和使用最適合其區(qū)分前景和背景的特征圖。3.由于在目標(biāo)跟蹤問題中，目標(biāo)的尺度變換一直是一個很重要也很難解決的問題，在基于

3、局部的目標(biāo)跟蹤算法中，常用的目標(biāo)跟蹤尺度變換方式不能很好的解決目標(biāo)的尺度變化問題，從而不能很有效的跟蹤有形變的跟蹤目標(biāo)。
　　下一個問題不單單存在于基于局部的目標(biāo)跟蹤算法中，它普遍存在于所有機(jī)制的跟蹤算法中，在目標(biāo)跟蹤領(lǐng)域，目標(biāo)的形變、遮擋、模糊、快速移動、尺度變化等等不確定因素是每個視覺跟蹤算法所要面臨和應(yīng)對的挑戰(zhàn)。但是由于每一個跟蹤器跟蹤的機(jī)制不同，一個視覺跟蹤器往往不能很好的處理上述所有不確定因素，從而造成跟蹤算法對特定跟蹤

4、目標(biāo)跟蹤失敗的情形。
　　針對問題一，本文提出一種有效的局部特征目標(biāo)表達(dá)方式，利用目標(biāo)中每一個局部區(qū)域的位置信息，通過觀察目標(biāo)局部的不同顏色特征，設(shè)計出一種能夠根據(jù)不同局部區(qū)域的位置信息自適應(yīng)的找到最能區(qū)分前景和背景的特征表達(dá)，最終融合每一個局部特征使得整個目標(biāo)的特征表達(dá)能夠很好的區(qū)分前景和背景，從而提升整體的目標(biāo)跟蹤的性能。針對問題二，在上述基于目標(biāo)局部的不同顏色特征和位置信息進(jìn)行自適應(yīng)特征表達(dá)的基礎(chǔ)上，本文充分利用深度神經(jīng)網(wǎng)絡(luò)

5、不同特征圖的特點，對目標(biāo)進(jìn)行有區(qū)別的局部特征表達(dá)。針對問題三，本文借鑒在目標(biāo)檢測中比較常用的目標(biāo)框回歸的方式去解決基于局部的壓縮感知目標(biāo)跟蹤算法中的尺度變換問題，從而使得基于局部的壓縮感知目標(biāo)跟蹤算法也能很好的尺度變化功能。針對最后一個問題，本文通過多個不同的跟蹤器同時跟蹤一個目標(biāo)，在每一幀都選擇“最好”跟蹤結(jié)果，把多個不同跟蹤機(jī)制的跟蹤器的優(yōu)點融合，彌補(bǔ)不同跟蹤器的缺點，做到端到端的多跟蹤器的性能提升。
　　實驗證明通過本文提出