论文部分内容阅读
目标跟踪是计算机视觉领域的重要研究方向之一,它与模式识别、机器学习、图像处理等众多领域息息相关。根据跟踪算法中是否含有预测机制,目标跟踪算法可以分为目标检测算法和目标跟踪算法。目标检测主要用来提取图像中的前景目标,但是,随着计算机的计算能力与存储能力的大幅度增强,用检测算法进行目标跟踪也成为一个重要的发展方向。本文对检测算法在目标跟踪里的应用进行了深入研究。针对目标跟踪过程中的背景杂乱、遮挡以及光照变化等情况,设计了一种多层级联分类器,并且利用LK光流算法进行目标运动范围预测,增加算法的运行速度。本文的主要研究内容和贡献如下:首先,设计了一种级联分类器,分别由方差滤波、随机森林分类器、模板匹配和聚类分析四个模块组成。级联检测器的基本处理对象是图像块,由滑动窗口搜索处理获得。其中,各个模块实现的功能如下:(1)方差滤波是一种灰度均匀性检测算法,能快速滤除背景图像块;(2)随机森林分类器使用简单的二值特征检测图像块,用以加快算法的运行速度;(3)模板匹配对图像块进一步进行精细处理,将图像块与目标模板进行逐像素匹配,得到图像块的最终分类标签;(4)聚类分析对通过模板匹配的图像块进行融合处理,得到目标在当前帧的最终位置。其次,算法增加了学习模块,使跟踪算法能够适应目标被全遮挡以及目标短暂地走出视野等特殊情况。学习模块主要有两个功能:(1)对输出结果进行再一次判断,更正被错误分类的图像块;(2)将更正后的图像块作为训练集,重新训练级联分类器,并更新目标模板。并且我们设计了一个模板更新策略,设置了一个限制阂值,用来减少模板匹配的耗费时间。最后,本文加入了LK光流算法对搜索范围进行预先估计,以减少全图搜索所带来的开销。LK光流算法以前一帧的结果做为起点,预测目标在当前帧的范围,从而减少算法在每一帧运行的时间。为了验证我们所建议的目标跟踪算法有有效性,我们在多个测试序列上进行实验。实验结果表明:基于半监督学习的目标跟踪算法能很好的处理背景杂乱、遮挡等异常情况,跟踪性能表现优于现有的经典目标跟踪算法。