论文部分内容阅读
目标跟踪是计算机视觉领域一个基础而关键的问题,其中如何能够在各种复杂的条件下,对目标进行长期稳定的跟踪研究受到国内外学者的广泛关注。为了从根本上解决运动目标遮挡,环境光照变化,目标外观变化,目标运动速度过快等复杂情况下的目标跟踪问题,本文采用一种最近流行的目标跟踪框架,将目标检测,目标更新与标准的目标跟踪算法结合。本文以此为基础进行基于随机蕨丛的长期目标跟踪方法研究,并通过实验验证了方法的有效性。本文首先介绍了随机蕨丛算法,阐述了随机蕨丛算法作为目标分类器在长期目标跟踪问题中的作用。接着选择经典的Lucus-Kanade光流法去解决目标跟踪问题。为了提高跟踪结果的置信度,加入双向一致性误差过滤,并通过中值跟踪选择可靠的跟踪点估计目标的位置。实验显示该算法在目标存在遮挡,快速运动和外观变化等情况下,出现跟踪失败的问题。于是,针对跟踪失败后,跟踪算法无法重新初始化问题,提出在跟踪过程中加入目标检测的方法,即加入基于随机蕨丛的目标检测器。实验显示该方法解决了目标遮挡和快速运动情况下跟踪失败后的重新初始化问题,但由于目标检测器可以对目标的位置重新初始化,很可能加大双向一致性误差,导致跟踪器失效,并且同时存在目标外观变化的问题,导致检测器无法重新检测到目标的位置,以致跟踪提前结束。最后,本文提出了基于随机蕨丛的长期目标跟踪的完整框架和总体流程,针对目标在跟踪过程中的外观变化问题,引入目标模型更新方法,解决了目标跟踪过程中存在的外观变化导致跟踪失败的问题。并且给出了目标跟踪的评价指标。实验结果表明,本文采用的基于随机蕨丛的长期目标跟踪方法相比于其他跟踪方法置信度更高,而且稳定性更好,通过多个数据集的验证结果显示,本文提出的跟踪方法能够较好地实现对场景中运动目标进行长期的跟踪。