鲁棒视觉跟踪中的目标表示与模型更新关键技术研究

Visual tracking is widely used in civil and military areas. However, in a real complex environment, how to cope with the continuously changed target to achieve a long-term robust tracking is still a very challenging task. The key point to resolve the above problem is how to improve the robustness of visual tracking algorithm. A common visual tracking algorithm consists of target representation, search mechanism and model update. The real-time performance of visual tracking relies more on search mechanism, while, the robustness of visual tracking relies more on target representation and model update. In order to improve the robustness of visual tracking algorithm, problems of target representation and model update in visual tracking are focused and researched in this project. Under the framework of the traditional visual tracking, a prior domain of target model which can online store and process plentiful prior information of the target is established. With the prior domain of target model, the generative model which combines middle level visual cues and classical template matching, and the discriminative model which combines deep learning classifier and traditional online AdaBoost classifier are used to solve the target representation problem. By fusing and interacting multiple trackers, robust visual tracking results are selected to update the prior domain of target model and thus to solve the model update problem. Based on these processings, an integrated robust visual tracking algorithm is established. The implementation and expected results of this project will provide new ideas and methods for the developing of visual tracking technology.

视觉跟踪技术在民用和军事领域有着极其广泛的应用，但在实际复杂环境中，长时间持续稳定跟踪不断发生变化的目标依然是一项极具挑战性的任务，实现这一任务的关键在于提高视觉跟踪算法的鲁棒性。视觉跟踪主要模块包括目标表示、搜索策略和模型更新，搜索策略主要决定跟踪的实时性，而目标表示和模型更新则主要决定跟踪的鲁棒性。为了提高视觉跟踪算法的鲁棒性，本项目将重点研究视觉跟踪中的目标表示和模型更新问题，在传统的视觉跟踪框架内，通过构建一个能够在线存储和处理大量目标先验知识的目标模型先验域，借助基于中层视觉线索和经典模板匹配相结合的生成式模型，以及基于深度学习分类器与经典在线AdaBoost分类器相结合的判别式模型，解决目标表示问题；通过多跟踪器的融合与交互，选择稳定的跟踪结果对目标模型先验域进行更新，从而解决模型更新问题；最终建立一套鲁棒的视觉跟踪算法。本项目的研究将为视觉跟踪技术的发展提供新的方法和思路。

视觉跟踪是计算机视觉和图像处理领域研究的热点问题，广泛应用于许多民用和军事领域。经过近二十年的发展，视觉跟踪技术取得了较大的飞跃，但如何构建鲁棒的目标模型并在跟踪的过程中在线更新依然是极具挑战性的问题，也是提高跟踪算法综合性能的关键点。本项目围绕视觉跟踪中的目标表示与模型更新问题进行了较为深入的研究，圆满完成了预定的研究内容。.首先，在目标表示方面，我们主要研究了基于中层视觉线索的目标表示及其在视觉跟踪中的应用问题。将基于分水岭区域的中层视觉线索与目标的生成式模型相结合，提出了基于分水岭区域匹配的目标跟踪算法。基于中层视觉线索的目标跟踪算法能够综合考虑目标的局部表观信息和空间结构信息，具有更高的跟踪精度和鲁棒性。引入当前的热点理论深度学习对目标进行表示，先后研究并提出了基于支持向量机决策的快速深度学习跟踪算法、基于感知深度神经网络的视觉跟踪算法、基于多尺度深度稀疏网络的在线跟踪算法、基于多层卷积特征融合的尺度自适应跟踪算法和基于遮挡感知分块的深度学习跟踪算法。基于深度学习目标表示的视觉跟踪算法对目标表观特征和所处的跟踪环境的复杂变化具有很强的鲁棒性，跟踪综合性能得到明显提升。.其次，在模型更新方面，主要研究了目标模型多表观描述情况下的选择性更新问题。提出了基于选择性模型不定时更新的粒子滤波视觉跟踪算法，一定程度上解决了传统跟踪算法中目标模型漂移问题。研究了目标分块情况下基于遮挡判断的在线模型更新策略，并将其应用于基于深度学习的跟踪算法中，能够自适应地感知目标遮挡，并适时对跟踪目标进行模型更新，较好地解决了跟踪过程中的目标遮挡判断和更新问题。.此外，项目还对视觉跟踪中的多跟踪器的融合与交互策略进行了研究。.项目共发表论文48篇，其中SCI检索8篇，EI检索24篇。培养博士研究生1名，硕士研究生9名，其中博士研究生目前在读1名，已毕业硕士研究生9名。