基于相对空间的视觉目标跟踪方法研究

By employing tools in machine learning, computer vision, and image processing, the project will research the two important problems in visual object tracking and propose possible or better solutions. The two problems are sample-mislabeling and object appearance modeling. The project plans to solve the sample mislabeling problem in visual object tracking and to propose more effective and efficient method to model the object appearance based on the "relative space" concept and multi-subclass phenomenon of the object feature points. The project also plans to construct a software platform to test and evaluate tracking algorithms.

本课题旨在利用机器学习、计算机视觉和图像处理等方法研究解决单目标跟踪中的两个重要问题，即如何消除样本的误标记问题，以及如何建立目标表观模型的问题，并提出相应的解决方案。本课题拟基于相对空间的概念，以及由此引出的目标特征点集合的子类的概念，基本解决跟踪问题中样本的误标记问题。同时，由子类的概念出发，提出Bayes推理框架下的基于多子类的目标建模问题，以及基于全局-局部关系的多子类目标建模方法。最终建立并完善一个用于跟踪算法评价与测试的软件平台。

目标跟踪不但是计算机视觉领域经典、困难而又重要的问题，还与该领域中的其它问题密切相关。因此，在本项目的执行过程中，我们不但深入研究了视觉目标跟踪中最基本的无预训练单目标跟踪问题，还研究了与之相关的目标检测和分割问题。.在跟踪方面，我们深入研究了多任务学习问题、互补特征的融合问题以及目前性能最好的基于相关滤波的跟踪方法，并从理论上彻底分析了近几年盛行于视觉跟踪领域的Struck和具有代表性的相关滤波跟踪器之间的关系，给出了一系列等价性条件，最终用实验加以验证。我们还首次在相关滤波跟踪器中引入多核学习，并提出了一系列具有先进水平的算法。. 我们研究了在跟踪应用中车辆这一最常见的目标之一的检测问题，并提出了基于目标语法的检测算法。考虑到在跟踪应用中常见的视觉监视场景中被跟踪目标的自动生成问题，我们提出了一种联合背景重建和前景分割的两阶段卷积神经网络算法来提取自动前景目标，并提出一个端到端的基于深度序列学习的运动目标检测框架。我们回顾了在智能交通领域中基于视频的车辆监视系统，分析了当前基于视频的系统所面临的挑战，并提出了一种智能交通视频监视系统的通用框架，即层次化和网络化的车辆监视系统，并且讨论了这种框架的应用与进一步的发展。.当前的跟踪算法基本上都是以跟踪目标框为目的的，而这会在目标的表观模型中引入局部背景信息。为减少背景对跟踪性能的影响，我们研究了人头和人体这两种当前常见的被跟踪目标的分割问题，提出了一种实时的端到端训练的人头精细分割算法，以及一种用于人体解析的渐进识别网络。. 总之，项目组不但深入开展了目标跟踪方面的研究，也在密切相关的方向上开展了研究。已发表高水平论文11篇，完成技术报告一份，并资助项目组成员参加国际会议5人次。本项目还在算法研究成果的基础上，积极与企业合作，完成了一些核心技术的产品转移。