论文部分内容阅读
视频目标跟踪作为计算机视觉领域的核心问题，已广泛应用于人机交互、智能监控、导航等多个领域。尽管人们已经提出了许多有效的视频目标跟踪算法，但是在实际应用中，视频目标跟踪仍然面临许多困难，如遮挡问题、目标外表剧烈变化和目标尺寸变化问题等。本论文在对目标检测和跟踪领域的主流算法分析研究的基础上，针对遮挡问题和目标外表剧烈变化的问题进行了一些研究，主要研究成果如下：(1)提出了一种基于Tracking-Learning-Detection（TLD）模型与Kalman滤波的遮挡目标跟踪方法。该方法融合了跟踪、检测、学习模块。由随机森林分类器检测目标，由Lucas-Kanade（LK）跟踪器跟踪目标，然后根据跟踪和检测的结果，确定目标的位置，同时通过引入的遮挡判定思想，在跟踪过程中判断目标是否遮挡，当目标被遮挡时改变模板更新策略，从而提高目标模板更新的准确性，防止目标模板在遮挡过程中的漂移，通过增加的Kalman预测方法，提高目标被严重遮挡和外表剧烈变化时的跟踪准确性。(2)提出了一种基于霍夫森林的目标跟踪方法。该方法将广义霍夫变换与随机森林分类器相结合作为检测器对目标进行检测，同时由Lucas-Kanade跟踪器对目标进行跟踪。该方法采用图像块训练霍夫森林，并在其叶子节点中存储图像块与目标中心的相对位置信息，之后通过霍夫投票确定目标位置，霍夫森林在保证计算效率的同时提高了随机森林分类器的性能，使其对目标遮挡和目标外表变化的跟踪更加鲁棒，而通过Lucas-Kanade方法可以调整目标区域的尺度，进一步确定目标的位置，使跟踪很好的适应目标的尺度变化，提高跟踪鲁棒性。(3)提出了一种基于参考点的目标跟踪方法。该方法在TLD跟踪算法的基础上引入了参考点思想，算法通过提取图像的SURF特征，动态的寻找图像中和目标具有某种固定关系的特征，并将这些特征加入参考点模型中，一旦TLD跟踪失败无法找到目标，则由参考点模型寻找当前视频帧中存在的参考点，并根据参考点的位置推断出当前帧中目标的可能位置。该算法可以解决目标严重遮挡和外表剧烈变化的问题。本论文工作得到了国家自然科学基金（No.60972148）的资助。