论文部分内容阅读
由于目标跟踪在实际生活中的重要性,使得目标跟踪受到了广泛的研究和关注。目前,目标跟踪已经广泛应用于人机交互、智能交通、视频监控等领域。尽管目标跟踪取得了快速的发展,但是姿态变化、光照改变、形变、突然运动以及遮挡等因素都会引起目标对象的改变,因此构造一个鲁棒而有效的跟踪系统仍然具有挑战性。当前主流的跟踪算法是基于检测的目标跟踪算法。作为一种流行的基于检测的跟踪算法,Tracking-Learning-Detection跟踪算法,即TLD跟踪算法受到了广泛的关注。TED算法将长时间跟踪过程分为跟踪、学习、检测三个部分。量化评估显示,TLD跟踪算法优于目前的大多数跟踪算法,尤其是在长时间跟踪方面。然而,在遇到目标遮挡、姿态变化和光照变化等情况时,TLD跟踪算法仍然存在问题。在分析卡尔曼滤波、SIR粒子滤波以及均值漂移等跟踪算法的基础上,论文提出了几种改进的跟踪算法来解决TLD跟踪中的目标遮挡问题。论文的主要工作如下：(1)提出了一种基于卡尔曼滤波的抗遮挡TLD跟踪算法。当TLD跟踪良好时,TLD为卡尔曼滤波提供观测值,并且不断修正卡尔曼滤波器的参数。当目标出现遮挡的时候,通过卡尔曼滤波预测出目标的位置,并且利用该预测值作为观测值更新卡尔曼滤波器。实验结果表明,在目标遇到严重遮挡以及全遮挡的情况下,提出的算法仍然非常有效。(2)提出了一种基于SIR粒子滤波的抗遮挡TLD跟踪算法。利用TLD的置信度作为判断依据,当TLD的置信度比较高的时候,利用TLD的预测框对粒子滤波进行初始化,以避免SIR粒子滤波算法的粒子贫乏问题,并且充分发挥了粒子滤波的抗遮挡跟踪能力。实验结果表明,这种方法在应对目标遮挡跟踪方面能够取得很好的效果。(3)提出了一种基于均值漂移的抗遮挡TLD跟踪算法。在实现了一种基于卡尔曼滤波的均值漂移算法的基础上,借鉴该算法的思想,提出了一种基于均值漂移的抗遮挡TLD跟踪算法。通过对TLD跟踪预测框置信度的判断,动态设置均值漂移算法的迭代搜索起始点,最终比较准确的获得当前帧中目标的位置。实验结果表明,该算法在应对目标遮挡跟踪方面性能良好。本论文所提出的三种TLD改进算法,均能够提高TLD跟踪算法的抗遮挡跟踪能力。其中,基于卡尔曼滤波的TLD跟踪算法能够很好的应对线性运动下的目标严重遮挡和全遮挡情况。基于粒子滤波的TLD跟踪算法和基于均值漂移的TLD跟踪算法能够很好的应对非线性运动下的目标遮挡情况。从整体上看,后两种改进算法的跟踪精度都要明显优于TLD跟踪算法,并且基于均值漂移的TLD跟踪算法表现的更加突出。