论文部分内容阅读
目标跟踪作为计算机视觉领域中应用最为广泛的技术,在导航、监控、虚拟现实、人机交互甚至军事方面都做出了重要的贡献,有着巨大的应用前景和商业价值,一直以来都倍受重视。在三十多年的发展中,也涌现了很多优秀的经典算法,但是由于环境的复杂性、目标运动的不可知性以及目标在跟踪过程中面临的种种干扰,目前的跟踪算法在鲁棒性、准确性以及实时性方面都还有很大的提升空间,高效、稳定的跟踪算法仍然是极具挑战的科研目标。TLD跟踪方法开创性地将跟踪模块、检测模块及在线学习模块相结合,实现了对任意单目标的长时间跟踪。而以KCF为代表的基于相关滤波器的跟踪算法更是近两年的研究热点,相关滤波通过离散傅里叶变换将复杂的卷积操作转化为频域的简单乘加,同时利用循环矩阵的性质简化运算,算法准确度高且运算迅速。本文对上述的两种跟踪算法进行了深入的研究,依据TLD算法中跟踪、检测、学习分离的长时跟踪架构,结合KCF跟踪算法的快速及稳定,实现了对目标的长时跟踪,并将其扩展到多目标跟踪场景。本文的主要创新和研究内容如下:(1)首先,介绍了论文的选题背景及研究意义、研究现状,分析了目标跟踪当前存在的问题以及面临的挑战。介绍了TLD算法及KCF算法的基本思想及跟踪流程。(2)为了将KCF算法与TLD框架相结合,对KCF算法进行了多尺度自适应改进,使其可以应对跟踪过程中目标的尺度变化。之后利用FHOG特征替换原有的HOG特征,对算法进行加速。将改进后的KCF算法与TLD框架相结合,提出CF-TLD算法用于对目标的长时跟踪。根据KCF算法的特征,对TLD跟踪框架进行改进;利用目标结果的相对相似度,对相关滤波器的学习参数动态调整,减少跟踪过程中的误差积累;利用检测模块的重检测功能处理目标丢失的情况,防止KCF算法跟踪错误的目标。利用实际序列验证算法的有效性。进一步将CF-TLD算法扩展到多目标跟踪场景,并通过实验验证其可行性。(3)在DSP平台上,实现对KCF算法的移植。KCF算法作为优秀的目标跟踪算法,有着广阔的应用前景,本文利用TMS320C6657平台移植实现了KCF算法,详细介绍了移植的过程,并针对DSP平台对算法进行了优化,最后利用DSP的双核工作机制,实现了对双目标的同时跟踪。通过实际序列验证其正确性,实验证明移植后的算法是能够正常工作的。