论文部分内容阅读
近年来,计算机视觉技术正进入一个高速发展的时期,在人工智能、安防监控、智慧城市、无人驾驶汽车等众多领域拥有广泛应用和无限发展前景。而作为计算机视觉的重要内容之一,实现对未知目标的在线检测与跟踪,也逐渐成为专家学者和企事业单位研究的热点。基于视觉的目标检测与跟踪,主要是运用计算机视觉技术对输入的视频图像中待跟踪的目标进行检测、分析、处理,获得运动目标的位置信息,预测及跟踪目标的运动轨迹,从而实现对运动目标的实时在线跟踪的目的。目前来说,主要影响目标检测与跟踪效果的因数是目标在跟踪过程中存在的光照变化、目标遮挡、目标形变和尺寸变化、目标消失重现等问题。针对此类问题,本文在分析归纳了目标检测与跟踪技术的发展历程及现状的基础上,提出了结合检测、跟踪与在线学习的算法,完成对未知目标的长时间在线跟踪。主要研究内容如下:(1)本文首先详细分析了几种常用的目标检测与跟踪算法。在研究目标检测算法时,对比分析了背景差分法、帧间差分法、光流法的优缺点,重点介绍了金字塔L-K光流跟踪法的计算方式和实现流程。在研究目标跟踪算法时,主要对Meanshift跟踪算法进行了详细的研究,确定了Meanshift的建模过程,最后通过实验验证Meanshift算法在实现目标跟踪中的实际应用效果,表明该算法实时性较好,在运动目标发生遮挡、姿态变化等情况下,有着较强的稳定性和鲁棒性。(2)传统的仅仅依靠检测器或者跟踪器来跟踪运动目标的方法,往往在遇到一些复杂场景时,目标暂时丢失后不能重新检测与跟踪目标。针对这个问题,本文引入了P-N在线学习器,通过在线学习不断训练新的样本,从而不断更新检测器和跟踪器,最终实现了对未知运动目标的实时在线跟踪。实验表明该算法能够解决目标消失重现后重新稳定跟踪目标的问题,但是在目标遮挡和目标形变等复杂情况下,跟踪效果有待提高。(3)由于原TLD算法计算量较大,特别是在运动目标被遮挡、姿态变化等情况下的不足之处,考虑到Meanshift算法在这方面存在的优势,本文提出了将Meanshift来改进原TLD算法的想法。最后,通过两组实验对比,表明了该改进算法既能够很好的实现未知目标的在线跟踪,同时在其他干扰情况下,跟踪效果明显良好。