皮盼资讯网移动版

当前视频帧接受上一帧中目标物体的位置作为输入，记为P，在P周围一定范围内进行样本的采集即采用模拟高斯分布和区域提议策略进行采样，采样一定数量且在一定范围内坐标、尺度呈高斯分布的图像块。将采集的图像样本输入模型得到置信分数，输出结果表示各个图像块的得分即与目标相似的置信度，取其中具有最高置信度的图像块位置P*作为候选的预测目标位置。将P*的得分与设定算法阈值η比较，若score>η，则可认为P*即为当前帧中目标的位置，将P*作为下一视频帧的输入，迭代进行；若score<η，即表明采样的图像中不包含目标物体、模型预测失败，将启动检测算法进行修正。

跟踪过程中要对模型进行自适应更新。采用一定方法将网络模型参数初始化后，可以接受第一帧的输入对后续帧中目标物体进行预测定位，然而，跟踪过程中目标物体不断在变化，会经历形变等情况，导致目标物体与初始状态相差越来越大，最开始的模型对目标物体特征的拟合能力下降，如果不根据目标物体最新状态采样来更新模型，会导致目标转移或丢失的情况。在跟踪控制中，采用长短时更新的策略，并相应的维护两个样本空间，分别是长样本空间与短样本空间。长样本空间中，存储前200帧采集到的正样本与负样本，短样本空间存储前50帧提取的正负样本。长样本空间每隔一段时间启动一次，间隔一定周期，经过实验选定更新周期为20帧一更新。短时更新只发生在跟踪失败的情况下，即网络输出的最高正得分小于设定阈值时，实验过程中设为0.4。

2.1.2多特征融合跟踪算法设计

在目标跟踪算法中，目标特征的选取最为重要，能否选择到合适的目标特征，直接影响到跟踪效果。算法理想的特征不仅能够对物体表观进行建模，而且需要具有较强的判别力，对目标发生的形变、遮挡预计跟踪背景发生的变化具有较强的鲁棒性。传统的目标跟踪提取的特征大多为手工设计的特征。

颜色特征

自然图像都包含丰富的颜色信息，早期的目标跟踪算法也充分应用了目标颜色的特征。RGB颜色空间具有直观性、易计算性，广泛被应用到目标颜色的表示中，其中颜色直方图是最为常用的颜色特征，采用颜色直方图，可以计算每种颜色在图像颜色空间中所占的比例，从而代替各颜色在图像中的位置，通过统计颜色的分布作为目标特征，然而，采用颜色分布来代替颜色位置的统计会丢失部分空间信息，对于具有较清晰轮廓的目标物体来说描述性不强。

轮廓特征

关于底层的视觉研究表明，人类视觉对物体的锁定与跟踪，是先锁定物体的轮廓或边缘，再对物体内部细节进行理解，边缘信息或轮廓信息对于物体的识别等也是非常重要的特征，通过轮廓信息可以对目标物体进行定位，在跟踪过程中，可以通过边缘检测的方法预测出物体边缘的变化信息，而且轮廓特征的产生依靠的是目标物体与背景产生的运动边缘，不依赖于人的主观认识，相比于颜色特征，具有更高的简单性和准确定。

纹理特征

纹理特征对于图像来说是比较抽象且泛化的特征，但是纹理特征可以用来判断图像密度的变化，同一张图像中的不同物体，其纹理特征有很大不同。纹理特征对图像的平滑度以及规律性进行了量化，不仅对图像上的颜色信息，而且对光强信息、轮廓信息等进行了描述。纹理特征通常不是直接提取，而是通过对图像的预处理得到。常用的纹理特征包括：LBP[38]特征、SIFT特征、小波特征等，并且具有光照不变性，在目标场景中发生较强的光照变化使算法具有较强的鲁棒性。

结构特征

随着机器学习和深度学习技术的发展，结构化特征逐渐被运用到目标跟踪算法中。结构化特征可以认为是由深度神经网络提取出的目标特征，是一种从简单到复杂、具有结构性的特征。深度神经网络与人的视觉皮层具有相似结构，对于视觉信息的处理是分级的，从底层的某些网络对图像的小部分进行理解，提取轮廓、颜色等表观特征，随着网络逐渐加深，对于特征的抽象层次越来越高、范围越来越大、内容也越来越丰富，最后提取出整个目标的特征，是一个由底层到高层的结构性抽象过程。由深度网络提取出的特征丰富且精确，能大幅提高跟踪性能，不足之处在于计算量庞大，跟踪速率降低，。跟踪过程中，卷积网络底层提取的表观信息、如轮廓信息、颜色信息、纹理信息等，可以反映目标物体的形变、遮挡的等情况。课题对网络模型的第二种优化方法是将浅层卷积提取的表观特征与深层卷积提取的语义特征进行融合，来对目标物体和背景进行判别。