论文部分内容阅读
目标跟踪是当前计算机视觉领域中的重点研究内容,其主要任务是在图像序列中估计出目标的位置,它已广泛的应用到了人机交互、医学诊断等国民生活的各个领域,受到了国内外学者的高度关注。迄今为止已涌现了许多较为优秀的跟踪算法,其中时空上下文跟踪算法(Spatio-temporal context,STC)是一种利用目标周围的时空上下文进行目标定位的跟踪算法,它把跟踪过程转化为了寻找置信图极值的过程,同时在计算过程中它使用了傅里叶变换加快运算速度。但在实际应用中,由于光照、遮挡等强干扰的影响,跟踪效果仍然不够理想。为了达到高效、鲁棒的跟踪目的,本文对STC算法进行了研究和探索,主要工作及创新点如下:(1)为解决STC算法在强干扰情况下容易发生模型更新错误的问题,本文提出了一种基于时空上下文和自适应特性的跟踪算法(ASTC)。该算法在STC的基础上利用置信度峰值尖锐度去判断目标是否受到干扰,受到干扰时再采用感知哈希和分块判别算法来判定目标受到的干扰类型,针对不同的干扰,自适应的设置时空上下文模型的学习速率;同时结合了尺度滤波器自适应的调节目标尺度,提高目标尺寸的精确度。改进算法有效地抑制了误差累积,具有更好的跟踪效果,同时增强了算法的鲁棒性。(2)为解决STC算法采用低级灰度特征的缺点,及在强干扰的情况下容易出现目标丢失后无法找回的问题,本文提出了一种基于粒子滤波和显著性上下文的跟踪算法(PF_CSTC)。改进算法首先通过采用上下文颜色直方图构建了一个显著性上下文先验模型来解决STC使用灰度特征的缺点;再采用小波变换图像匹配算法分析目标是否丢失,若丢失,立即使用粒子滤波算法重新找回,如果未丢失,则继续原算法,即在STC基础上采用粒子滤波算法作为目标丢失后的修正算法,增强了算法的鲁棒性,提高了算法的跟踪效果。(3)本文在公共数据集上,将两种改进算法与多种现有算法进行了对比实验。实验结果表明,本文提出的改进算法ASTC和PF_CSTC的跟踪效果和鲁棒性更好;特别,相比于STC算法,两种改进算法的平均跟踪成功率分别提高了近30%和25%,中心坐标误差降低了18.6像素和36.4像素,具有更好的跟踪效果和鲁棒性。