学位论文简介

视觉目标跟踪在许多人工智能应用中都扮演着重要的角色。目前，设计一款鲁棒的通用目标跟踪算法依然面临巨大挑战。一方面，稀有的先验信息给目标外观模型的离线训练带来了诸多困难；另一方面，由目标自身因素和环境因素等引起的目标的外观改变使得视觉目标跟踪问题变得更加复杂。针对视觉目标跟踪中先验信息稀缺、目标外观多变等挑战，本文深入探索如何充分利用跟踪过程中的多种视觉线索和外观信息，研究鲁棒的视觉目标跟踪算法。本文的主要内容及贡献包含以下四个方面：

（1）针对传统结构化稀疏模型难以对抗背景噪声干扰的问题，本文提出一种结构化上下文感知的视觉跟踪算法。该算法通过应用时空上下文信息来改善传统结构化稀疏模型的判别性。

（2）为了更好地应对跟踪过程中目标出现的各种外观改变，本文提出一种基于多视角学习的视觉跟踪算法。该算法通过融合多种相互补充的视角来增加目标外观表达的多样性。

（3）针对相关滤波器易于发生模型漂移的问题，本文提出一种基于双重记忆选择模型的视觉跟踪算法。该算法通过同时保持目标外观的短期记忆和长期记忆来平衡模型的自适应性和鲁棒性。

（4）针对长时目标跟踪问题，本文提出一种基于时空可靠性评估的长时目标跟踪算法来处理跟踪失败。该算法包含相关滤波跟踪器、粗到精重检测器和输出整合器来提供一个鲁棒的长时跟踪框架。

主要学术成果

[1] Guiji Li, Manman Peng, Ke Nai, Zhiyong, Li, Keqin, Li. Reliable correlation tracking via dual-memory selection model [J]. Information Sciences, 2020, 518: 238-255. (SCI, 第一作者)

[2] Guiji Li, Manman Peng, Ke Nai, Zhiyong, Li, Keqin, Li. Multi-view correlation tracking with adaptive memory-improved update model [J]. Neural Computing and Applications, 2020, 32: 9047-9063. (SCI, 第一作者)

[3] Guiji Li, Manman Peng, Ke Nai, Zhiyong, Li, Keqin, Li. Visual tracking via context-aware local sparse appearance model [J]. Journal of Visual Communication and Image Representation, 2018, 56: 92-105. (SCI, 第一作者)