视觉跟踪中的数据驱动机制研究

Current computing mode based on model-driven method in visual tracking does not adjust to the complicated and changing situation in practical applications. Tracking algorithms are less of adaptability to non-advanced predicted changes and their performance will decrease when practical situation changes, which limit the transition of visual tracking technology from experiment verification to application. After detailed analysis on factors affecting the performance in terms of application requirements, process of tracking algorithms and data quality, computering mode and key technologies of visual tracking driven by data quality state are proposed. Evolution mechanism of different data sets is studied firstly to provide qualitative analysis. Quantitative analysis is then provided by assessing data quality attributes which fit visual tracking tasks. Abstract description method of data quality evolution is also studied and the evolution model is established. Then key techniques related with the adaptability promotion are discussed, including method to describe data sets in algorithms, way to establish models dynamically and set up control parameters, flexible strategy of flow control in tracking fusing data driving mode and model driving mode. The research will help to promote the adaptability to non-advanced predicted changes in applications of visual tracking algorithms and technologies.

目前视觉跟踪算法基于模型驱动的计算模式与实际应用环境的复杂多变性不相适应，导致视觉跟踪方法缺乏对非事前预见变化的适应能力，实际应用环境发生变化时跟踪准确性下降，影响了视觉跟踪技术从实验验证向市场应用的转化。 课题从视觉跟踪应用需求、视觉跟踪算法流程和数据质量三个层面对影响视觉跟踪算法性能的因素及其相互关系进行全面分析，提出视觉跟踪中的数据质量状态驱动计算理论和关键技术，内容包括：建立数据质量演化机理，定义适合跟踪任务的数据质量评价指标和度量方法，研究数据质量演化抽象描述方法，建立数据质量状态演化模型，对不同生存周期、不同作用的数据的质量进行定性和定量分析；在此基础上，提出基于数据质量的数据/数据集描述方法、动态模型构建方法和控制参数设置方法，建立数据驱动与模型驱动相结合的跟踪算法自适应流程控制策略。 研究成果有助于提高跟踪算法和跟踪技术对应用场景和目标状态变化的适应能力。

视觉跟踪方法基于模型驱动的计算模式与实际应用中场景和跟踪对象的复杂多变不相适应，在实际应用环境发生变化时跟踪准确性无法满足要求。本项目利用数据质量状态控制跟踪算法流程以提高算法对未建模变化的适应能力，主要进展如下：. 提出了针对视觉跟踪任务的数据质量评价方法和数据质量演化描述方法，对视觉跟踪各阶段数据的状态进行描述和分析，为视觉跟踪算法的优化设计提供了新的思路。. 研究了数据质量驱动的视觉跟踪自适应关键技术， 包括动态模型构建、控制参数设置和自适应算法流程控制策略，为解决视觉跟踪算法应用瓶颈问题提供了有效途径。. 我们在不同跟踪框架下实现了数据驱动与模型驱动融合的视觉跟踪算法，定义与跟踪框架相匹配的数据质量指标，利用数据质量状态进行模型内参数的自动调整或模型的自动切换，提高了视觉跟踪算法对场景变化、目标被遮挡、运动突变等情况的鲁棒性。.