论文部分内容阅读
运动目标跟踪问题是如今计算机视觉领域中的一个非常重要的研究课题,吸引了国内外众多学者、研究人员以及企业人员进行相关问题的研究,并取得了非常显著的成果,成功地应用于智能视频监控、智能人机交互、智能交通监控、图像检索以及军事应用等领域。虽然目标跟踪问题在大量相关的研究工作下取得了非常快速的发展,但是光照变化、姿势变换、遮挡、背景干扰等因素的存在仍然表明目标跟踪相关问题还有很大的研究空间。近年来手机等移动设备的发展相当迅速,人们使用手机的时间甚至要多于使用电脑的时间,在移动设备上实现目标跟踪显得很有意义。但由于移动设备与PC机性能仍有一定差距,利用手机摄像头进行实时的目标跟踪时会遇到一些新的困难与挑战。本文的主要工作如下:(1)通过分析当前基于特征点的运动目标跟踪算法的不足,提出了一种新的自适应特征点聚类跟踪方法。首先,算法通过检测目标的FAST特征点以及计算目标区域的颜色直方图来对目标的外观进行建模;其次,利用光流法计算出当前帧的活动特征点,并利用本文提出的自适应聚类方法排除掉离群的特征点;最后,通过正确的特征点估计出当前帧跟踪目标的中心点位置以及目标的包围框。(2)提出了一种新的目标跟踪模板更新策略。根据当前帧的跟踪结果计算出目标区域的颜色直方图,通过与颜色直方图模板进行比较得出当前帧的跟踪置信度。如果置信度较高就对颜色直方图模型进行更新并执行局部特征点匹配,如果置信度较低则不更新颜色外观模型,并且执行全局特征点匹配。另外,根据当前活动特征点数量选择不同的策略进行特征点集的更新,在保证跟踪鲁棒性的同时降低了计算代价,提高了计算效率。最后,通过与多种经典跟踪算法在具有不同挑战性的视频序列中进行对比,通过定性分析与定量分析对本文提出算法的有效性和鲁棒性进行了验证。(3)设计了一个基于iOS平台的运动目标跟踪系统。该系统在iOS平台上实现了本文提出的目标跟踪算法,通过手机摄像头可以实时地进行目标跟踪。通过实验证明了手机摄像头实时跟踪时本文提出算法在应对各种跟踪挑战时的鲁棒性和有效性。另外,还对摄像头实时跟踪过程中参数设置的影响进行了分析,在应对不同的挑战时进行相应的参数调整可以有效地提高跟踪精度与鲁棒性。