复杂场景下目标跟踪的表观建模研究

Appearance modeling is the critical problem of robust object tracking. In order to overcome the shortcomings of current appearance modeling methods in complex scenes, we are intended to do systematically research from visual representation and model learning in this proposal. More effective visual representation ways are proposed by studying efficient local topological structure model and fusing low level features and high level attributes information. We will study how to effectively fuse prior knowledge and online learned classifier in semi-supervised model learning architecture, which can reduce occurrence probability of drift and promote tracking accuracy. Evaluation models of tracking results and samples extraction are generated to improve model deterioration for wrong samples updating, and promote robustness of algorithm in extreme cases, such as fully occlusion and tracking failures.

表观建模是鲁棒目标跟踪的核心问题。针对现有表观建模方法在复杂场景下存在的不足，本项目拟从视觉描述和模型学习两方面进行系统的研究。通过研究高效的基于局部的拓扑结构模型和融合底层特征与高层属性信息，建立更有效的视觉描述方式。基于半监督模型学习框架，探索将先验知识与在线训练的分类器有效融合，减少漂移发生的概率，提升跟踪的准确性。通过构造跟踪结果与样本提取评估模型，改善错误样本更新导致的模型恶化问题，提升算法在完全遮挡和跟踪失败等极端情况下的鲁棒性。

表观建模是鲁棒目标跟踪的核心问题。针对现有表观建模方法在复杂场景下存在的不足，本项目从视觉描述和模型学习两方面进行系统的研究。通过研究高效的基于局部的拓扑结构模型和融合底层特征与高层属性信息，建立更有效的视觉描述方式。基于半监督模型学习框架，研究将先验知识与在线训练的分类器有效融合，减少漂移发生的概率，提升跟踪的准确性。通过构造跟踪结果与样本提取评估模型，改善错误样本更新导致的模型恶化问题，提升算法在完全遮挡和跟踪失败等极端情况下的鲁棒性。课题组提出了基于时空卷积学习的目标跟踪算法、面向尺度感知的基于快速尺度估计的核相关滤波目标跟踪、基于跟踪-数据-学习的半监督学习框架，进一步完善了复杂场景下目标跟踪的表观建模理论和技术。课题组基于对物体视觉描述模型和学习的研究成果，将其用于人脸识别验证以及人群异常事件检测，提出了基于深度残差网络的人脸特征学习的人脸验证技术、基于密集连接卷积神经网络的人脸识别技术、基于卷积自动编码器的人群异常事件检测技术，取得了较好的效果，完善了相关的理论和技术。本课题的研究对解决目标跟踪在复杂场景下的鲁棒性问题，具有重要的学术和应用价值。课题组已在相关重要期刊和会议发表论文11篇，已申请国家发明专利1项并已获授权，已研制一套演示平台，并计划将相关成果推广使用。