论文部分内容阅读
随着人工智能、计算机视觉的飞速发展,目标跟踪技术广泛应用于智能交通、视频监控等领域。目标跟踪效果受背景建模、特征选取、目标检测、应用场景等因素的影响。视觉特征具有唯一性,选择合适的特征对跟踪目标外观描述是实现鲁棒性高、实时性好和自适应性强的目标跟踪算法的关键。当前的目标跟踪算法大多基于单一特征,单一特征容易受到光照变化、背景杂乱、目标形变等因素的影响,无法全面鲁棒地描述目标外观。针对以上问题,本文提出使用多特征融合对目标外观进行描述,研究基于多特征融合的目标跟踪算法,论文的主要研究工作包括: (1)目标跟踪算法可以使用不同的视觉特征描述目标外观。为了契合本文主题,以经典的基于单一代表性特征的目标跟踪算法为例,对基于颜色特征的mean-shift和Particle filter、基于时空特征的STC和基于灰度特征的Struck算法进行介绍;并且,基于Basketball,Biker,David,Jumping和Woman五组测试视频序列进行实验。实验结果显示,mean-shift和Particle filter在目标姿态变化、尺度缩放时跟踪良好,在光照变化时跟踪较差;STC在光照强度改变、遮挡时跟踪良好,在目标快速移动时跟踪较差;Struck在尺度缩放、姿态变化时跟踪良好,在目标快速移动时跟踪较差。 (2)在基于特征融合的传统目标跟踪算法研究中,本文对粒子滤波算法和分块跟踪算法进行理论概述。针对颜色特征对目标形变、旋转等具有鲁棒性,但是遮挡或光照变化时,颜色直方图分布改变导致目标外观描述不足;分块跟踪算法的分块策略适用于目标遮挡和光照变化情况,但是只从单一块中提取特征,忽略了相邻块之间的时空关系,本文介绍了基于颜色和时空特征融合的传统目标跟踪算法,并使用Walking2,Faceoccl,Woman和Girl四组测试序列进行实验。实验结果显示,基于颜色和时空特征融合的传统目标跟踪算法在遮挡和姿态变化的复杂跟踪场景下具有较高的跟踪精确度和鲁棒性,但是算法没有学习检测机制,当目标消失再重现时,跟踪框无法重新跟踪目标,同时算法的跟踪框大小固定,无法跟随目标尺度变化而缩放。 (3)在基于特征融合的多尺度学习跟踪算法研究中,本文利用TLD算法将检测跟踪学习结合思想,充分利用HOG特征对遮挡、光照变化和几何变化不敏感,以及LBP特征原理简单、容易实、对光照不敏感的优点,提出了基于HOG梯度特征和LBP纹理特征融合的KCF跟踪算法作为跟踪模块;针对TLD算法使用的最近邻分类器作为检测模块受噪声污染严重、实时性低、检测失败等问题,提出了基于CNN的分类器作为检测模块,充分利用P-Net网络速度快的优点,提高了算法的实时性。基于Girl,David,Jumping,BlurFace,Faceoccl和Dudek六组测试视频序列进行实验,验证所提算法在光照变化、遮挡、尺度缩放等情况下具有较高的鲁棒性、稳定性和实时性;当目标消失重现时,算法能够再次检测跟踪目标;当目标存在尺度缩放时,算法跟踪框能够进行相应缩放。