基于机器学习的目标跟踪算法研究

【摘要】：目标跟踪是计算机视觉领域的一个热门的研究方向,在智能安防、自动驾驶等方面具有重要的应用价值。为了应对遮挡、背景相似等复杂场景下的跟踪问题,本文对基于机器学习的目标跟踪算法进行了研究,提出了两种提高目标跟踪精度和鲁棒性的算法。本文的研究内容有:1.针对目标被严重遮挡、快速形变等复杂跟踪场景,提出了基于多特征融合的相关滤波目标跟踪算法。通过多特征融合策略将提取到的被跟踪目标的方向梯度直方图(f HOG)特征和颜色(CN)特征进行融合。通过位置滤波器和尺度滤波器的尺度更新机制对尺度变化目标的跟踪精度和鲁棒性得到提升。同时引入了高置信度模型更新策略,在目标被遮挡时停止更新滤波器模型,降低了目标被遮挡时,模型漂移的概率。在公开数据集OTB-100和VOT2018对提出的算法和其它先进算法进行对比实验,本文提出的算法具有更好的性能。2.针对背景相似、旋转等复杂情况,提出了一种基于自裁剪残差网络的孪生网络目标跟踪算法。将样本帧和当前帧分别输入由自裁剪残差单元(CIR)构建的Res Net-34自裁剪残差网络,对深层语义特征和浅层视觉特征进行融合,提高对被跟踪目标特征的表征能力。构建包含前景与背景分类分支和矩形框回归分支的矩形边界框生成网络,通过分类分支区分是否是被跟踪目标,通过矩形框回归分支确定矩形框的中心坐标和边长。在公开数据集OTB-100和VOT2018进行实验,并与其他先进算法进行了对比实验,本文提出的孪生网络目标跟踪算法具有更好的表现。