论文部分内容阅读
随着智能监控系统的普及,作为智能监控系统关键技术之一,目标跟踪成为众多学者们研究的热点。然而,由于跟踪场景的复杂性以及目标自身因素的影响,采用单一的特征很难达到准确跟踪目标的目的,跟踪过程中往往需要用到目标的多个不同特征,如颜色、剪影、特征点以及运动特征等。本文提出了三种不同的多特征融合目标跟踪算法,主要工作以及创新点如下: (1)提出了一种基于SURF算法的两阶段匹配跟踪算法,该算法融合了特征点以及颜色特征。首先,为了提高SURF匹配点的准确性,用传统算法匹配特征点以后再利用特征点的主方向信息剔除部分误匹配点。该算法还建立了一个存储十个模板的缓冲区,并使用固定模板对目标进行二次跟踪定位,来解决局部遮挡、目标形态变化以及跟踪误差的累积问题。对于某些特征点不足的帧,使用Meanshift算法代替SURF算法通过目标的颜色信息跟踪目标,实验表明该算法对于形态变化以及局部遮挡的目标都有很好的跟踪效果。 (2)提出了一种融合剪影、颜色以及运动特征的自适应带宽Meanshift目标跟踪算法,该算法首先提取每帧图像的前景目标剪影,然后利用前后帧间同一目标对应的前景目标区域的面积变化,将跟踪过程分为正常、遮挡、分离三种情况。正常跟踪情况下利用与目标匹配的前景目标自适应的调整Meanshift的带宽以及跟踪框的大小,减少了背景对Meanshift算法的影响。遮挡情况下分别采用Meanshift跟踪以及本文提出的自适应运动估计两种不同的跟踪策略。分离时采用中心距离、面积差以及巴氏系数差加权的形式求取与目标代价函数最小的前景目标区域,并将该区域的位置确定为目标的最终位置。通过仿真实验证明该算法能够较好的跟踪被遮挡的目标。 (3)基于第二个研究点,提出了基于Kalman滤波与KM算法的多目标跟踪算法,该算法同时融合了剪影、颜色以及运动特征,跟踪过程也分为三种情况。正常情况下,采用Kalman滤波代替前面的Meanshift算法加快跟踪速度,并添加KM算法解决多目标与前景目标的数据关联问题。遮挡情况下,采用最大协方差相关系数求取与目标颜色最相近的区域作为目标最终的位置。分离过程不再采用巴氏系数差,仅用中心距离和面积差求取代价函数。该算法遮挡以及分离的判断是通过KM算法生成的确认矩阵以及前后帧间目标对应的前景目标的面积变化。实验表明该算法可以跟踪多个目标,并可以应对遮挡情况。 论文最后对全文的工作进行了总结,并对后续研究进行了展望。