目标跟踪中的多锚点分析方法研究

Object tracking is a basic research topic in computer vision. The existing algorithms have a mutual problem denoted as tracking drift. In order to handle this problem, an important research approach is tracking anchor analysis, which is used to effectively locate the search region. Tracking anchor is defined as the centre of search region. Currently, existing anchor analysis theory focuses on the single anchor model. In this model, tracking drift will be caused by the strong correlation between anchor extraction and model update/prediction. Unlike the single-anchor-based tracking model, this proposal, introducing objectness to object tracking, investigates multi-anchor-based tracking model to reduce the strong correlation between anchor extraction and model update/prediction. Objectness analysis based on pixel-level object adobes is designed to meet the real time requirement. In addition, peak-to-sidelobe ratio and smooth constraint of confidence maps are used to adaptively learn the update ration of tracking model for overcoming the occlusion problem. From both the perspectives of proposing a new research direction and improving the performance of tracker, this proposal possesses significant contributions in theoretical significance and practical value.

目标跟踪是计算机视觉领域中的基础研究问题之一，而跟踪漂移是目前各类跟踪算法所面临的共性问题。要缓解跟踪漂移，一个重要的研究思路便是进行有效的跟踪锚点分析，对跟踪搜索范围进行有效地定位。跟踪锚点实则对应于目标跟踪搜索范围的中心位置。现有的跟踪锚点分析理论主要面向的是单锚点，与跟踪模型的更新/预测之间存在着强相关性，容易导致跟踪漂移。有鉴于此，本项目突破单锚点目标跟踪框架，将目标性分析方法引入到目标跟踪中，提出了基于多锚点分析的目标跟踪理论。面向目标跟踪任务的实时性要求高特点，本项目提出了基于像素级基元的目标性分析方法。此外，针对目标遮挡的问题，本项目将利用峰旁瓣比和帧间响应图平滑约束，自适应地更新跟踪模型的学习率，以增强目标跟踪器的抗遮挡能力。无论是从拓展目标跟踪理论新研究方向的角度，还是从促进目标跟踪理论实际应用的角度来看，本项目都有重要的理论意义和广泛的应用前景。

目标跟踪是计算机视觉领域中的基础研究问题之一。如何降低跟踪漂移的风险是目前各类跟踪算法所面临的共性问题。本项目的主要研究内容包括：（1）针对如何有效弱化“锚点提取——模型更新/预测”强相关性的科学问题，研究多锚点提取方法并预测最佳跟踪位置；（2）面向多锚点模型的需求，重点研究如何有效地利用颜色信息提取出像素级目标基元并计算用于多锚点分析的目标性响应图；（3）基于前景颜色稳定性和背景颜色易变性，设计调节机制用于前景/背景模型的自适应更新。本项目取得了一批具有较高学术水平的研究成果。发表IEEE Transactions期刊5篇，合计发表SCI论文6篇，会议论文5篇，申请国家发明专利2项，其中已授权1项。代表性研究成果包括：（1）提出了基于目标性的多锚点目标跟踪框架，已发表在中科院1区期刊IEEE Transactions on Cybernetics上，其主要理论贡献为：（a）我们提出的多锚点跟踪框架引入了独立的跟踪锚点，削弱了单锚点的强依赖性，为每一帧图像都提供了选择最优锚点的机会；（b）基于目标性分析方法，设计了适合目标跟踪实时性要求的多锚点推荐方法；（c）针对跟踪遮挡问题，引入前景和背景差异性更新率的机制，提升了目标跟踪器抗遮挡的能力。（2）基于目标跟踪连续定位功能，提出了基于多时序尺度长短时间记忆模型的眨眼检测方法，已发表在中科院2区期刊IEEE Transactions on Information Forensics and Security上，其主要理论贡献为：（a）提出了一种多时序尺度长短时间记忆模型; （b）提出了一种多时序尺度特征来描述抓取的多时序尺度信息。（3）面向视频中异常目标跟踪的需求，提出了基于互监督学习的视频异常分析方法，已发表在中科院1区期刊IEEE Transactions on Neural Networks and Learning Systems上。其主要理论贡献为：（a）基于互监督理论设计了双向序列图像预测模型，有效地提升了视频序列图像中的异常目标的检测性能；（b）提出了基于连体网络的新型异常分析评价方法。