移動終端的視覺目標跟蹤算法的研究與實現(xiàn).pdf

1、隨著人工智能的快速發(fā)展，伴隨其而來的相關(guān)技術(shù)與應(yīng)用應(yīng)運而生，以人工智能為基礎(chǔ)的產(chǎn)業(yè)蓬勃發(fā)展，其中圖像識別與目標跟蹤技術(shù)在各個領(lǐng)域應(yīng)用廣泛，特別是在安全監(jiān)控與增強現(xiàn)實領(lǐng)域。在準確度方面，視頻圖像中的背景和目標的外觀隨時可能發(fā)生變化，現(xiàn)有的圖像處理算法很難準確無誤的在圖像序列中識別出目標；在實時性方面，圖像處理算法一般根據(jù)像素點對圖像中的目標外觀和背景進行建模，具有計算量較大的特點，特別是面對大量需要處理的圖像時，解決目標跟蹤算法的實時性意

2、義重大。移動終端的計算能力有限，目標跟蹤的實時性難題在移動終端上尤為突出，其中一種解決方案是將目標跟蹤放在服務(wù)器上完成，比如有的移動增強現(xiàn)實程序使用網(wǎng)絡(luò)將圖像轉(zhuǎn)發(fā)到服務(wù)器上，利用PC機處理完圖像后將跟蹤結(jié)果再返回到移動終端，但是這種方法僅限于在網(wǎng)絡(luò)環(huán)境良好的情況下使用，不具有通用性。本文工作的目的就是利用移動終端自身的計算資源，在保證目標跟蹤算法精度的前提下，通過提升其計算速度，使其在移動終端上能夠?qū)崟r跟蹤目標。
　　本文研究了基

3、于判別式模型的相關(guān)目標跟蹤算法，詳細分析了TLD和KCF這兩種目標跟蹤算法的原理及流程，對這兩種跟蹤算法的優(yōu)缺點進行了分析，力圖保留其較高的跟蹤精度和較快的跟蹤速度的優(yōu)點。其中主要關(guān)注算法的抗遮擋能力和實時性。原始TLD算法更加看重檢測器的檢測結(jié)果，而減弱了跟蹤器的作用，由于采用滑動窗方式的檢測器需要處理大量的圖像塊，嚴重影響了實時性，本文利用KCF的高精度與實時性的特點，將TLD的跟蹤器進行替換，提出了一種新的跟蹤算法KCF-LD。<

4、br>　　本文還針對跟蹤算法含有大量數(shù)學(xué)計算的特點，研究了Android應(yīng)用開發(fā)中的JNI機制，通過JNI機制將大量的數(shù)學(xué)計算使用C++語言實現(xiàn)，編譯成動態(tài)庫之后供java語言調(diào)用，利用該技術(shù)在軟件開發(fā)層面上提高跟蹤算法在Android系統(tǒng)上的運行速度。對本文提出的KCF-LD算法在PC端上進行了實驗，并對實驗結(jié)果進行對比分析，證明其不僅具有抗遮擋性，速度也得到了提升。然后在Android系統(tǒng)上實現(xiàn)了一個目標跟蹤系統(tǒng)，將KCF-LD算法