论文部分内容阅读
目标跟踪一直是计算机视觉中的研究热点之一。近年来,随着视频成像设备的普及,目标跟踪技术被广泛的应用于人机交互、视频检索和智能交通等诸多领域。本文讨论了几种经典的判别型跟踪算法的运行原理和一般流程,包括CT、Struck和KCF等跟踪算法,针对判别型跟踪算法无法解决漂移问题,本文提出了一种训练样本加权的方法,提高判别型跟踪算法分类器的准确度。受到人脑记忆模型的启发,本文为判别型跟踪算法添加了一种丢失目标找回机制,使用数据库保存一部分视频帧的跟踪结果,和当前图像进行特征点匹配,从而重新定位目标。本文最主要的贡献是通过融合多种目标跟踪算法,建立一个强大鲁棒的目标跟踪算法。主要的研究内容如下:1.对一些经典的判别型目标跟踪算法进行了总结和分析:以CT和KCF算法为例,介绍判别型跟踪算法的一般流程和基本原理。通过实验来评估不同特征和分类器对跟踪算法精度的影响,找出每个特征和分类器擅长领域和其缺陷,为下文的多方法融合跟踪框架做出铺垫。2.针对判别型跟踪算法在遇到障碍物遮挡,光照变化等情况,容易发生漂移,丢失目标等问题,本文在训练分类器时,赋予样本不同的权重,增强分类器对目标和背景的区分能力。同时,本文使用数据库存储部分完成跟踪的图像,建立一个长效跟踪器,能够在判别型算法丢掉目标的时候,通过遍历数据库中的图像和当前图像进行特征点匹配,重新找回目标。3.在仔细研究各种特征和分类器的优点、缺点和其适用范围之后,本文提出了一种融合多个跟踪算法的框架。该框架理论上可以加入任何一种目标跟踪算法,只要该算法使用矩形框代表目标前一帧位置作为输入。由于本文提出的方法融合多种目标跟踪算法,本文使用并行执行的策略来完成融合过程,提高融合算法的时间性能。在CVPR2013OOTB51个标准数据集上的实验结果表明,多算法融合的目标跟踪算法取得了令人满意的精度、鲁棒性和较好的时间性能。