基于特征和模型選擇的視頻目標跟蹤.pdf

1、基于局部特征表達的目標跟蹤算法有很好的抗目標遮擋和形變的能力，因此其在目標跟蹤領域有很多的應用和討論。雖然基于局部特征表達的目標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.對目標有效的特征表達是目標跟蹤領域中的一個根本性問題，一個有效的目標特征表達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)的基于局部的目標表達是把目標的所有局部區(qū)域用統(tǒng)一的特征信息進行表達，沒有根據(jù)每一個局部特征的位置信息進行有區(qū)別的表達，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)絡特征相比于人工設計特征的擁有巨大優(yōu)勢。不同于人工設計特征，深度神經(jīng)網(wǎng)絡特征通過對大量數(shù)據(jù)樣本的學習找到一種語義方面更加高層的目標表達。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)絡不同卷積特征圖對不同的局部區(qū)域的不同表達，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.由于在目標跟蹤問題中，目標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、局部的目標跟蹤算法中，常用的目標跟蹤尺度變換方式不能很好的解決目標的尺度變化問題，從而不能很有效的跟蹤有形變的跟蹤目標。
　　下一個問題不單單存在于基于局部的目標跟蹤算法中，它普遍存在于所有機制的跟蹤算法中，在目標跟蹤領域，目標的形變、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對的挑戰(zhàn)。但是由于每一個跟蹤器跟蹤的機制不同，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表達方式，利用目標中每一個局部區(qū)域的位置信息，通過觀察目標局部的不同顏色特征，設計出一種能夠根據(jù)不同局部區(qū)域的位置信息自適應的找到最能區(qū)分前景和背景的特征表達，最終融合每一個局部特征使得整個目標的特征表達能夠很好的區(qū)分前景和背景，從而提升整體的目標跟蹤的性能。針對問題二，在上述基于目標局部的不同顏色特征和位置信息進行自適應特征表達的基礎上，本文充分利用深度神經(jīng)網(wǎng)絡

5、不同特征圖的特點，對目標進行有區(qū)別的局部特征表達。針對問題三，本文借鑒在目標檢測中比較常用的目標框回歸的方式去解決基于局部的壓縮感知目標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，在每一幀都選擇“最好”跟蹤結果，把多個不同跟蹤機制的跟蹤器的優(yōu)點融合，彌補不同跟蹤器的缺點，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