论文部分内容阅读
随着功能纷杂的监控摄像头的普及,越来越多的信息都是通过摄像头进行采集。如何从这些视频数据中获取有效信息逐渐成为了计算机视觉领域一个热门的研究问题,本文的基于多特征的轮船运动目标跟踪及轨迹获取方法研究就是围绕着这一方面展开。对于轮船目标的跟踪和轨迹获取,本文采用的策略是先识别后匹配。针对基于视频的移动轮船目标识别,为了在复杂场景下也能够实现轮船目标的识别,本文以在端到端实时性检测方面取得突破性进展的YOLO算法为原型,通过将人工提取的轮船特征和机器自学习提取的特征进行再融合的方式,对原始算法进行改进,使其能够实现基于视频的移动轮船目标识别。使用加权组合特征融合的方式对人工提取的HOG特征和LBP特征进行融合,融合后的特征再与卷积神经网络自提取的特征进行神经网络再融合。通过实际实验,结果表明,对于背景简单、清晰度高的视频作为输入数据,本文方法基本能够识别图像中的轮船目标。针对如何实现帧间移动轮船目标切片的匹配,以达到跟踪和轨迹获取的目的,本文使用改进的SIFT匹配算法。由于传统的SIFT描述算子一般都是高维数据,不利于数据计算,故在本文中通过MDS降维算法对数据进行降维。同时结合HOG特征对特征错误匹配点进行二次剔除,从而精简匹配点,实现区域精准匹配,进一步降低遮挡、轮船间的重合给匹配带来的不良影响。通过实际实验,结果表明改进后的匹配算法能进一步减少错误匹配点,以及消除背景区域产生的匹配点。通过该匹配方法可以实现不同帧间相同轮船目标切片的关联建立,以达到跟踪的目的。将本文的跟踪方法与TLD算法进行实验对比,本文方法在跟踪时无需人工干预;将本文的跟踪方法与改进的Kalman滤波跟踪方法进行实验对比,本文方法在跟踪时较准确。在跟踪的过程中,本文方法提取每一个切片的坐标,并将该信息存储到指定文件中,指定文件的名称根据切片的编号进行确定。通过此种方式将相同编号的切片坐标数据存储到同一文件中,从而获得轮船目标的运动轨迹数据,并在下一帧视频中进行轨迹数据可视化处理。