论文部分内容阅读
目标的准确特征描述、目标遮挡、跟踪场景的复杂多变是视频跟踪中普遍存在的问题,能否有效的解决这些问题,对于提高目标跟踪算法的稳定性与鲁棒性有着重要的意义。论文以显著度跟踪为基础框架,针对目标跟踪中的目标有效外观描述、多特征融合、多特征自适应组合三个问题进行了深入研究。论文完成的主要工作如下:(1)研究了结合超像素与条件数分块的目标跟踪技术。在显著度目标跟踪框架下,使用超像素分割构成有视觉意义的像素块,结合海森矩阵的条件数实现跟踪目标的分块,同时判断各个分块是否发生模糊,并对相应的分块进行修改,根据分块与目标中心点的距离建立各个分块的关联,实现目标样本准确的外观模型,最后根据贝叶斯分类器确定的最终目标位置。(2)研究了结合多特征融合与模糊处理的目标跟踪技术。在显著度目标跟踪框架下,利用超像素与条件数的结合实现目标分块的初始化,合并部分相邻的分块形成像素区域适应多个跟踪器跟踪,通过局部跟踪来解决遮挡问题。选择两种且具有互补性特性的特征对目标样本区域进行特征提取,实现多特征融合,提高复杂环境下目标跟踪的鲁棒性,最后通过像素区域与观测模型的特征相似性作为模糊逻辑系统的输入,实现多个跟踪器的自适应加权,确定最终的目标位置。(3)研究了结合特征自适应组合与模糊处理的目标跟踪技术。在显著度目标跟踪框架下,跟踪场景是复杂多变的,跟踪器不能实现长期稳定的跟踪,引入目标特征模板的自适应更新策略,通过观测模型中特征模板与当前帧确定的候选特征模板相似度,作为特征模板更新的依据,特征模板的更新采用最大似然比准则,同时在分类器中加入基于反馈的参数更新策略。论文选择OTB公开的测试序列对研究算法进行了实验分析,实验结果表明,基于超像素与条件数分块的显著度跟踪方法,可以有效解决跟踪中的模糊问题并提高跟踪系统的实时性;基于多特征融合与模糊处理的显著度跟踪方法,能够处理目标跟踪中的局部遮挡问题;基于特征自适应组合与模糊处理的显著度跟踪方法,实现多种跟踪场景下的长期目标跟踪。