复杂场景下的单目标跟踪算法研究

作     者：程月英 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：李飞;邓丽珍

授予年度：2021年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：目标跟踪 判别式相关滤波器 异常抑制 时间一致性 二阶信息 

摘      要：目标跟踪的核心思想是跟踪模型根据视频序列中第一帧图像给定的目标边界框和位置信息估计出后续图像中的目标位置,从而实现在整个视频序列中的目标跟踪过程。在过去几十年里,目标跟踪算法研究获得了广泛关注并得到快速发展。但是,如何实现在复杂场景下的精确跟踪和鲁棒跟踪,依旧是一个难点。虽然相关滤波理论的引入提高了目标跟踪的准确性和处理速度,但是跟踪结果容易受到噪声的影响而跟踪失败。判别式相关滤波（Discriminant Correlation Filter,DCF）跟踪模型引入背景信息进行训练,显著提高跟踪器的鲁棒性,但模型容易受到边界效应和时间退化的影响。为了提高复杂场景下的目标跟踪算法的准确性和鲁棒性,本文基于判别式相关滤波跟踪算法提出两种改进方案,主要研究的成果如下:（1）针对传统的相关滤波跟踪算法在复杂场景下容易跟踪失败的问题,本文提出时间驱动的异常学习相关滤波器（Aberrance Learning via Time-driven Correlation Filter,ALTCF）。具体来说,ALTCF模型引入可以抑制异常数据的时间正则项,利用时间域上的特征来确保目标跟踪模型保持时间上的相似性,缓解因噪声而产生的异常数据所带来的负面影响,同时抑制模型训练的过拟合现象。最后,ALTCF模型结合滤波器响应相似度和时间域特征来搜索图像中可能的目标位置,提高了相关滤波目标跟踪在时域中的鲁棒性,缓解滤波器时间退化。（2）针对基于DCF的跟踪算法在复杂场景下会受到空间边界效应和滤波器时间退化的影响,本文提出基于学习时间一致性相关滤波器（Learning Temporal Consistency Correlation Filter,LTCF）的目标跟踪模型。为了提高跟踪模型的稳定性,该模型增加二阶信息,即滤波器的梯度信息进行相关滤波器的训练和更新。因此,LTCF跟踪模型将梯度特征的稳定性与时间一致性相结合,并利用特征之间的相关性来提高目标跟踪的准确性和鲁棒性。为了探讨本文提出的跟踪算法的性能,本文基于不同数据集进行了对比实验,参与对比实验的跟踪模型包括30种先进算法。通过对跟踪结果进行比较分析,本文所提出的跟踪算法在复杂场景下展现出良好的跟踪效果,能保证目标跟踪的准确性和鲁棒性。