基于staple的道路车辆跟踪算法研究开题报告

1. 研究目的与意义（文献综述）

目标跟踪的主要任务就是估计目标在连续视频序列中的位置和大小，它在智能监控系统、无人驾驶、智能交通控制等领域均有着广泛的应用。目前国际中的主流跟踪算法主要有：基于生成类模型和基于判别类模型。基于判别类的模型的跟踪算法目前占据主导地位。判别类模型，把目标跟踪看成是分类问题，通过大量样本训练分类器，把目标从背景区域中提取出来。由于目标在跟踪过程中会发生很多变化，包括严重遮挡、快速变形、运动模糊、尺度变化、平面外旋转，目标跟踪领域等仍存在很大挑战。

近几年，基于检测的目标跟踪算法在目标跟踪领域得到了很大的发展，其中最具实用性也是最主流的研究方向是基于相关滤波器的目标跟踪算法。相关滤波器在目标跟踪领域的第一次应用是由bolme等提出的mosse算法。其运行速度可达每秒数百帧且保持相当高的准确率。henriques等提出的csk算法在mosse的基础上使用循环矩阵对样本进行密集采样。并且利用循环矩阵的性质将运算转换到频域进行以加快计算，在2014年henriques等将mosse与csk算法使用的单通道灰度特征扩展为多通道方向梯度直方图特征，并将特征用核技巧映射到高维空间，提出了kcf算法，其线性核版本称为dcf。为了解决现有算法无法处理尺度变化的缺点danelljan等在dcf基础上构建尺度金字塔并训练一个尺度相关滤波器用于检测目标尺度的变化，提出了dsst算法。循环样本与真实样本有不小的差距，导致相关滤波器存在内在的边界效应，边界效应是影响相关滤波器性能最重要的原因之一。为了解决边界效应，2015年danelljan等提出在dcf上加入空域正则化去惩罚滤波器边界区域的系数；2016年bertinetto等结合直方图分类器与相关滤波器提出staple算法，通过融合两个互补的分类器一定程度上缓解了边界效应,性能与srdcf相近的同时速度可达80帧/s。

staple算法具有良好的速度和准确度，以及广阔的应用前景，但存在两个不足之处：1）针对仅有一个通道的灰度图像跟踪效果较差；2）常数融合系数导致两个跟踪模型的优势没有完全展现。

2. 研究的基本内容与方案

staple算法作为最新的基于相关滤波实现的目标跟踪算法，在对象存在形变的情况下，特别是对象存在不同侧面的变换过程中，跟踪效果不佳，如何提升对象在形变条件下的跟踪效果是进一步优化staple算法的研究重点。本论文针对道路车辆在复杂路面下，存在遮挡以及转弯等行为导致的车辆变化进行研究，进一步提升跟踪准确性。利用融合算法，使用hog-kcf color-kcf结合算法对目标进行跟踪，hog特征对形变和运动模糊比较敏感，但是对颜色变化能够达到很好的跟踪效果，color特征对颜色比较敏感，但是对形变和运动模糊能够有很好的跟踪效果，同时使用两者融合能够解决大部分跟踪过程当中遇到的问题。

基于检测的跟踪方法[3,9,11,19]显示出良好的跟踪性能。这些方法将目标定位任务作为一个分类问题来处理。该方法利用目标图像和背景图像的小块在线学习判别分类器，获得决策边界。

鉴别相关滤波器最近已经扩展到多种应用的多维特性，包括视觉跟踪[4,13]、对象检测[8,12]和对象对齐[2]。与[13]类似，我们使用hog特征作为平移过滤器，并将它与通常的图像强度特征连接起来。然而，任何密集的特征表示都可以被合并。这里提出的方法在空间维数上也是通用的。在这项工作中，我们利用一维滤波器仅用于估计尺度，二维滤波器仅用于平移，三维滤波器用于对目标的穷举尺度空间定位。

3. 研究计划与安排

第一周—第三周：写开题报告

第四周—第五周：论文开题

第六周—第十二周：书写论文初稿

4. 参考文献（12篇以上）

[1] danelljan m, hger g, khan f, et al.accurate scale estimation for robust visual tracking[c]//british machine visionconference, nottingham, september 1-5, 2014. bmva press, 2014.

[2] bertinetto, luca; valmadre, jack;golodetz, stuart，staple:complementary learners for real-time tracking ，2016 ieee conference on computer vision and pattern recognition，1401 – 1409.

[3] 戴伟聪, 金龙旭, 李国宁. 基于staple算法改进的目标跟踪算法[j]. 电光与控制, 2019, 26(6).