论文部分内容阅读
随着计算机、图像处理、人工智能、模式识别和电子技术等相关专业的不断发展,目标跟踪技术的应用也越来越多。在智能人机交互、智能监控和无人驾驶等方面,目标跟踪都得到了广泛应用。由于光照变化、尺度变化和遮挡等因素,为目标跟踪系统设计一个高鲁棒性方法仍是一个艰难的任务。本文针对这些难点,研究了两种实时性很强的目标跟踪算法:压缩跟踪算法(CT)和基于核相关滤波器的目标跟踪算法(KCF),并针对这两种算法存在的缺点,提出了对应的改进策略。本文首先分析了目标跟踪算法的五个组成部分:特征提取器、观察模型、运动模型、更新模型和集成后处理器。分析了各个部分的作用、实现原理以及常用的模型,总结了整个目标跟踪算法的基本流程。然后详细介绍了CT跟踪算法,针对CT算法无法有效处理尺度变化的问题,本文提出自适应地改变采集框的尺度大小以及矩形滤波器的相对位置;针对CT跟踪算法无法有效处理目标被遮挡的问题,利用巴氏系数进行在线特征选取,并且构建自适应的学习因子来更新分类器,提出了SCT算法。使用OTB标准库进行实验分析,在OPE评价中,SCT算法的平均精确度为57.5%,相比于FCT算法提高了11.43%;平均成功率为42.6%,相比于FCT算法提高了11.52%。还详细介绍了KCF跟踪算法,针对KCF算法无法有效处理尺度变化的问题,本文提出利用原KCF算法构建一个新的目标外观模型Rs,构建尺度金字塔,利用Rs去查找当前帧被跟踪目标的尺度;针对KCF算法无法有效处理目标被遮挡以及离开视野等问题,提出了使用随机蕨分类器来构建重新检测模块,再使用目标外观模型Rs进行精确地定位,提出了LST算法。使用OTB标准库进行实验分析,在OPE评价中,LST算法的平均精确度为为85.1%,相比于KCF算法提高了13.77%;LST算法平均成功率为62.8%,相比于KCF算法提高了22.42%。最后总结了本文目标跟踪算法的研究内容,SCT和LST算法的不足,并展望了以后的研究方向。