论文部分内容阅读
目标跟踪一直以来都是计算机视觉研究领域的一个热点和难点,在人机交互,智能视频监控,视觉导航等领域有广泛的应用前景。近些年来人们已经提出了很多有效的目标跟踪算法,但是目标跟踪的实际应用依然面临许多困难,如目标形变、光照变化、运动模糊、遮挡以及尺度变化等问题。基于在线学习的目标跟踪算法可以对任意目标进行跟踪并训练更新分类器,实现对目标的长期跟踪,更好的适应目标的变化。在线目标跟踪技术优势明显,使其迅速成为国内外研究人员的研究重点。然而目前主流的在线目标跟踪算法依然存在跟踪漂移,实时性不好等问题,本文以研究实时鲁棒的目标跟踪算法为目的,着重研究和分析TLD(Tracking-Learning-Detecting)目标跟踪算法。本文主要完成了以下几方面的工作:(1)研究现有的各类目标跟踪算法。首先,介绍了生成式目标跟踪算法以及判别式目标跟踪算法的发展情况;其次,针对TLD算法进行讨论,并分析了TLD目标跟踪算法的优势和不足。(2)提出了一种结合特征点匹配的TLD目标跟踪算法。首先,通过提取初始化目标区域的显著性来获取最佳跟踪区域,解决TLD算法对初始化目标框敏感问题,同时提高样本选取质量并降低背景杂波对跟踪器特征点跟踪的影响;其次,采用光流法跟踪和特征点匹配相结合的方法估计目标的尺度变化,解决原始跟踪器跟踪漂移以及目标旋转导致跟踪失败等问题;最后,通过自适应尺度快速搜索目标方法来提高检测器的速度。实验表明该方法有效的提高了TLD目标跟踪算法的跟踪鲁棒性和速度,并且在标准数据集上得到了很好的效果。(3)提出了一种基于时空上下文的TLD目标跟踪算法,针对时空上下文(Spatio-Temporal Context,STC)算法采用灰度特征对外观模型表述的不足,引入颜色属性扩展STC目标跟踪器。为了提高跟踪速度,本文采用主成分分析(Principal Component Analysis,PCA)降维方法自适应选择具有代表性的颜色属性,同时改进了原始跟踪算法的更新机制。利用多尺度金字塔空间估计出当前位置的最佳目标尺度,防止尺度更新出现误差累积现象,并与TLD框架的检测器和学习器相结合,实现长时间在线目标跟踪系统。算法在标准数据集上进行测试,取得了很好的跟踪效果。