论文部分内容阅读
目标检测和跟踪一直是计算机视觉领域的研究热点和前沿课题，在机器人导航、智能监控、视频压缩、医学图像等方面都具有非常重要的作用。目标检测和跟踪是紧密关联的两个过程，二者的结果可以相互佐证。几十年来，经过广大学者们的不懈努力，目标检测和跟踪技术取得了长足的发展。但是，由于检测和跟踪系统应用环境的复杂性（比如光照、遮挡等因素）和目标本身的多样性（比如外观和形态的变化）给目标检测和跟踪技术带来了严重的困难和新的挑战。针对上述问题，本文进行了下面两个方面的研究工作并取得了一定的成效。（1）为了寻找对光照和形变具有鲁棒性的特征，本文在AdaBoost算法基础上，提出构建MB-LBP特征和HOG特征弱分类器的方法，分析比较了HAAR特征、MB-LBP特征和HOG特征在AdaBoost算法上的分类效果。上述特征在移动机器人路标检测的实验中证明，HOG特征结合AdaBoost算法能够获得较高的检测率和较低的误检率。在路标检测比较结果的基础上，本文提出了一种结合AdaBoost算法和SVM算法的路标识别方法，获得了较高的识别率和较快的识别速度。（2）本文借鉴Tracking-Learning-Detection（TLD）跟踪算法的思想，提出了离线学习的检测和在线学习的跟踪相结合的行人跟踪算法。该算法检测模块包括两部分：一部分为离线训练的行人检测器，一部分为在线实时更新的行人验证器。离线训练的行人检测器定位出视频中所有的行人，在线实时更新的验证器通过以前的状态从检测到的行人中确定需要跟踪的行人。实验证明，离线和在线学习的结合，不仅能够保证跟踪的实时性，而且能够克服目标与背景相似，遮挡，人与人之间的相互影响（靠近，融合，互换）等行人跟踪的难点，使跟踪更加鲁棒。