基于TLD模型的目標(biāo)跟蹤方法.pdf

1、視頻目標(biāo)跟蹤作為計(jì)算機(jī)視覺領(lǐng)域的核心問題，已廣泛應(yīng)用于人機(jī)交互、智能監(jiān)控、導(dǎo)航等多個領(lǐng)域。盡管人們已經(jīng)提出了許多有效的視頻目標(biāo)跟蹤算法，但是在實(shí)際應(yīng)用中，視頻目標(biāo)跟蹤仍然面臨許多困難，如遮擋問題、目標(biāo)外表劇烈變化和目標(biāo)尺寸變化問題等。
　　本論文在對目標(biāo)檢測和跟蹤領(lǐng)域的主流算法分析研究的基礎(chǔ)上，針對遮擋問題和目標(biāo)外表劇烈變化的問題進(jìn)行了一些研究，主要研究成果如下：
　　(1)提出了一種基于Tracking-Learning-

2、Detection（TLD）模型與Kalman濾波的遮擋目標(biāo)跟蹤方法。該方法融合了跟蹤、檢測、學(xué)習(xí)模塊。由隨機(jī)森林分類器檢測目標(biāo)，由Lucas-Kanade（LK）跟蹤器跟蹤目標(biāo)，然后根據(jù)跟蹤和檢測的結(jié)果，確定目標(biāo)的位置，同時通過引入的遮擋判定思想，在跟蹤過程中判斷目標(biāo)是否遮擋，當(dāng)目標(biāo)被遮擋時改變模板更新策略，從而提高目標(biāo)模板更新的準(zhǔn)確性，防止目標(biāo)模板在遮擋過程中的漂移，通過增加的Kalman預(yù)測方法，提高目標(biāo)被嚴(yán)重遮擋和外表劇烈變化時

3、的跟蹤準(zhǔn)確性。
　　(2)提出了一種基于霍夫森林的目標(biāo)跟蹤方法。該方法將廣義霍夫變換與隨機(jī)森林分類器相結(jié)合作為檢測器對目標(biāo)進(jìn)行檢測，同時由Lucas-Kanade跟蹤器對目標(biāo)進(jìn)行跟蹤。該方法采用圖像塊訓(xùn)練霍夫森林，并在其葉子節(jié)點(diǎn)中存儲圖像塊與目標(biāo)中心的相對位置信息，之后通過霍夫投票確定目標(biāo)位置，霍夫森林在保證計(jì)算效率的同時提高了隨機(jī)森林分類器的性能，使其對目標(biāo)遮擋和目標(biāo)外表變化的跟蹤更加魯棒，而通過Lucas-Kanade方法可以

4、調(diào)整目標(biāo)區(qū)域的尺度，進(jìn)一步確定目標(biāo)的位置，使跟蹤很好的適應(yīng)目標(biāo)的尺度變化，提高跟蹤魯棒性。
　　(3)提出了一種基于參考點(diǎn)的目標(biāo)跟蹤方法。該方法在TLD跟蹤算法的基礎(chǔ)上引入了參考點(diǎn)思想，算法通過提取圖像的SURF特征，動態(tài)的尋找圖像中和目標(biāo)具有某種固定關(guān)系的特征，并將這些特征加入?yún)⒖键c(diǎn)模型中，一旦TLD跟蹤失敗無法找到目標(biāo)，則由參考點(diǎn)模型尋找當(dāng)前視頻幀中存在的參考點(diǎn)，并根據(jù)參考點(diǎn)的位置推斷出當(dāng)前幀中目標(biāo)的可能位置。該算法可以解決目