论文部分内容阅读
随着视频监控数据的飞速增长,基于人工方式的视频分析方式不仅费时费力,而且效率很低,越来越满足不了人们的实际所需。因此智能化的视频分析显得尤为重要,一个好的智能视频分析系统将会给人们的生活带来极大的便利。目标跟踪作为计算机视觉领域研究的热点问题不仅被广泛运用于视频智能监控,而且在其他诸如人机交互、智能交通、计算机视觉、医疗诊断、虚拟现实等领域也得到了很好的应用。不同的目标跟踪算法拥有着不同的优势和劣势,本文针对传统目标跟踪算法在目标被部分遮挡、光照剧烈改变以及目标运动过快三种情况容易造成跟踪丢失的缺陷,提出了改进的融合颜色、纹理特征的目标跟踪算法提高了算法在上述情况下的跟踪准确性。论文的主要研究工作有三个方面:(1)本文通过三组有针对性的实验验证了Mean Shift算法在几种特定复杂情景下跟踪率准确度不高的问题,为后续针对这些复杂情况下如何提高跟踪的准确度做出了铺垫。(2)我们在特征的选取上加入了具有光照不变性的纹理特征,并且为了将图像的空间信息也能考虑进来,采用了分块的方法也一定程度上提高了跟踪的准确度;针对Mean Shift算法在部分遮挡下丢失目标的问题,提出了邻域搜索的方式,即当候选目标模型与目标模型的相似度低于阈值时,就认为此时目标被遮挡了,我们在候选目标区域附近扩大4个同等大小的候选区域,将这5个候选区域分别与目标区域计算相似度,取相似度最大的候选区域作为最终的候选目标区域,其中心为迭代到的位置,由于扩大了搜索区域,因此其对由于目标速度过快造成的跟踪丢失的问题也有一定的改善。(3)论文分析了几种常用的轨迹距离度量方法,在此基础上提出了自己的轨迹距离度量方法,即在空间距离度量使用DTW距离进行度量的基础上加入了方向距离进行度量;论文引入了基于密度峰值的聚类算法,并将新的轨迹距离度量方法与该方法结合进行轨迹聚类和异常轨迹检测,通过实验证明了该方法的有效性。