论文部分内容阅读
目标跟踪是计算机图像处理学科领域的重要组成部分,为图像处理的高层语义分析提供了丰富的基础信息。但是在目标跟踪算法中,由于被跟踪模型的非刚性结构,场景的光照影响,目标的变换,传统算法中前后景的分离,以及目标的遮挡造成的跟踪实时性低、跟踪对象漂移,使得目标跟踪成为一个综合能力很强的问题。但是单纯的目标跟踪算法只针对目标模型的单一特征向量进行域目标图像片的匹配,但是对于复杂场景、目标频繁的变换、甚至只是光照强弱的变化,都会对这类算法造成困难。所以目前的目标跟踪算法融合了许多机器学习在内的其他学科知识,将目标跟踪建模为一个复杂的分类问题,本文重点研究了Struck算法,并给出了改进策略,具体内容如下:(1)针对单纯跟踪模块的跟踪性能不强的问题,深入研究了Struck目标跟踪算法,提出的改进算法将目标跟踪与在线学习进行高度结合,形成结构化输出目标函数,将跟踪模块,学习模块,检测模块融合,保证了在线学习的实时性,而且对于频繁的目标动作变换采用有效的支持向量表示,有效的检测出目标变换的边界。(2)针对由于遮挡或者出离场景所导致的Struck跟踪算法目标跟踪漂移及算法复杂度高,提出一种基于Struck和hausdorff距离的目标跟踪算法,通过提取相邻帧之间的canny特征算子,计算出目标轮廓特征点的hausdorff距离,整合相邻帧的图像跟踪序列,进而对样本学习的采集进行预判,避免了原算法中不必要的样本在线学习。进而解决了目标跟踪漂移的问题,降低了原算法的复杂度。实验结果表明,本文所提算法不仅延续了支持向量机良好的泛化能力,而且可以有效跟踪目标的各种变换,较传统方法有更好的鲁棒性和计算效率。(3)为了将提出的改进算法应用于多目标跟踪,研究了基于Struck的目标跟踪改进算法多目标跟踪算法,采用多核多目标跟踪策略改进算法中的跟踪模块并结合了快速匹配的CameShift目标跟踪算法,进一步降低了改进算法的复杂度,保证了多目标跟踪时候的准确性。