论文部分内容阅读
近几年来,随着人工智能和计算机视觉的快速发展,计算机视觉在不同领域发挥的作用越来越重要,例如在身份认证、导弹制导、军事活动和安防布控等方面都发挥出巨大的优势。图像作为人类了解外界信息的一种非常便捷的方式,与人类的生活息息相关,密不可分。计算机视觉发展的最终目标就是计算机能够根据客观环境理解图像的内容从而代替人类做出抉择。目标跟踪作为计算机视觉的一个重要分支,同样也引起了人们的关注。到现在为止已经有很多优秀的跟踪算法,但是这些算法在实际应用中常常会面临意想不到的困难,例如目标发生形变、光照强度变化、遮挡、尺度变化以及运动模糊等。本文以研究在目标跟踪过程中目标发生遮挡和光照强度发生变化为主要内容,着重对Tracking-Learning-Detection(TLD)跟踪算法进行了深入的研究和探讨,详细介绍了TLD框架中的跟踪模块、检测模块、学习模块和综合模块,分析了TLD跟踪算法的优缺点,改进并提高了原始TLD算法的性能。本文主要完成了以下几个方面的工作:(1)针对TLD算法在跟踪过程中出现目标遮挡时跟踪不准确的问题,文章引入了Circulant-Structure-Kernels(CSK)跟踪算法,提出了一种基于CSK跟踪的改进TLD算法。改进后的TLD算法在跟踪模块会有一个运动目标的模板,利用循环矩阵结构的特性可以快速的进行模板匹配,在频域中找到与模板冲激响应最大的点,这个点就是跟踪模块跟踪到的目标位置。改进后的算法比原始TLD跟踪算法在目标发生遮挡时跟踪更加准确。(2)在提高目标发生遮挡时跟踪的准确性之后,跟踪过程中被遮挡的目标样本会进入到检测模块的样本库中,导致检测模块的检测性能下降。针对这个问题,本文结合了感知哈希算法来增加学习模块中学习样本的准确性。利用感知哈希算法可以将跟踪到的目标进行编码,得到这个目标的哈希码,通过哈希码与检测模块中的样本库进行对比以此来判断遮挡的目标是否可以作为学习的样本,这样不仅提高检测的性能还能保持样本库中样本的准确性,改进后的TLD框架在检测性能上有了很大的提升。(3)针对TLD跟踪算法在目标特征提取的过程中容易受到光照强度变化影响的问题本文引入了改进的HOG特征,改进后的TLD特征提取算子不再通过比较多个像素值而获得,而是将运动目标区域的各个方向梯度提取出来并用方向梯度直方图表示,通过比较方向梯度直方图中梯度的大小来获得特征描述子,改进后的TLD特征描述子具有良好的光照不变性,在光照发生变化时检测依然准确。