针对长时目标跟踪中目标背景混杂、遮挡、目标移出视野导致的跟踪失败问题,基于空间正则化相关滤波(SRDCF),提出一个基于前景感知的时空相关滤波算法。首先,提出前景感知相关滤波方法,使得滤波器能够准确地把目标前景区域和背景区域进行区分;然后,把前景感知滤波器加入时间正则项中,使具有时空正则化功能的滤波器始终保持在一个低维的判别流形上;同时,采用交替方向乘子法(ADMM)求解,使得跟踪方法在传统特征的表达上能实现实时性;最后,确定目标重检测器的激活阈值,利用候选区域方法结合相关滤波方法实现重检测,达到长时跟踪的目的。在标准数据集OTB-2013上分别利用传统特征和卷积特征进行实验,并与SRDCF相比,跟踪平均成功率分别提高了5.6%和7%。本文算法针对目标背景模糊、旋转、遮挡和移出视野等情况,具有较强的稳健性。

为提升相关滤波跟踪算法在目标遮挡、背景嘈杂及目标形变等干扰下的跟踪精度,提出一种基于时序一致和空间剪裁的多特征相关滤波跟踪算法。在训练阶段利用二值矩阵掩模对滤波器模板的能量分布进行裁剪,使模板信息更加集中于目标区域,从而缓解循环样本造成的边界效应;利用l2范数作为时序一致模型对相邻帧的滤波器建立平滑性约束,使滤波器模板学习到相邻帧目标的上下文信息,增加算法的抗干扰能力;为进一步提升目标模板的表达能力,将包含丰富语义信息的ResNet50深度特征引入到跟踪框架中,通过主成分分析法对提取到的深度特征进行降维,采用传统特征结合深度特征的方式提升跟踪结果的精确度和稳健性。将本文算法与5种算法进行对比实验,验证了本文算法在处理目标遮挡、背景嘈杂及目标形变等干扰时的稳健性。

深度视频静止区域普遍存在深度值时域不一致，导致编码效率下降且影响绘制质量。针对该问题，提出一种基于场景运动程度的深度视频一致性增强算法。首先，应用基于块的直方图差值(Block Histogram Difference, BH)对深度视频每帧之间做相对运动程度量化度量，根据BH 值自适应选取运动程度相对最弱的视频段作为深度值修正源，通过运动检测对相应彩色视频做运动区域分割，接着，利用彩色视频准确的时域一致信息，对深度视频中静止区域的错误变化深度值进行时域一致性校正，最后应用计算复杂度低的时域加权滤波函数对校正后的深度视频进一步优化，得到时域一致性优化的深度视频。本文算法相比于原估计获得的深度视频节省编码码率17.48%~31.75%，深度图所绘制的虚拟视点主观质量提高。