论文部分内容阅读
Camshift跟踪算法具有鲁棒性好、易实现和计算高效的优点,这使它在计算机视觉领域发挥着重要作用。它以目标的颜色特征建立目标模型,在未来帧中寻找与目标模型相匹配的候选模型,得到目标的质心。但是当跟踪中出现目标的颜色发生变化、遇到大面积背景颜色和目标颜色相似或者目标被遮挡时,原先建立的目标模型就不能很好的匹配到对应的帧,Camshift算法跟踪的鲁棒性就不能保证。本文针对跟踪中出现的上述问题,采用了一些对应的解决方案。(1)针对目标跟踪中由于目标颜色变化或目标遇到相似颜色背景干扰导致鲁棒性差的问题,提出了一种累积多级颜色特征并融合纹理信息的算法。该算法分颜色、纹理特征的提取和目标与背景特征相似度判断两个子过程,整个跟踪过程分两个子过程交替执行。在目标颜色发生变化时,利用感兴趣区域(RoI)帧差法,对目标进行再定位,提取多级颜色模板,然后累积在原来的模板之上。大量实验结果表明,该改进算法可以鲁棒的跟踪到复杂背景下颜色多变的目标。(2)为了解决视频跟踪中的遮挡问题,对用于运动预测的粒子滤波算法进行了深入的研究。在此基础上,结合了分块跟踪算法的思想,并且运用自适应线索整合方案,最后把它嵌入到粒子滤波跟踪算法中。在计算每一个粒子的权重之前,先用Camshift算法把所有粒子收敛到目标实际位置,而且为了更好的区分遮挡,目标模板的每一个图像块的权值根据当前帧的图像内容进行自动的调整。从获得的实验结果可以看出,该算法以较少的时间消耗换得了较高的跟踪精度。(3)重点研究了目标在被相似颜色的物体遮挡的问题,采用了如下解决方案:在目标出现跟踪错误后,给出跟踪无效标记,在判断出目标重新出现时,对目标重新识别。该算法采用直方图交集和目标位置信息双重因素作为判断目标是否丢失的依据,然后结合图像分割算法重新分层搜索目标。跟踪结果表明,该算法能在目标丢失后,再次出现时,快速准确的重新锁定到目标。对上述的三种算法分别进行了大量的仿真实验,实验结果和跟踪误差分析都表明,本文的改进算法能以较小的时间代价换得较高的跟踪精度,以达到实时、高效跟踪的目的。