基于Kalman的TLD目標(biāo)跟蹤算法研究.pdf

1、運動目標(biāo)檢測與跟蹤是機器視覺研究的核心內(nèi)容之一。運動目標(biāo)的檢測與跟蹤利用圖像處理等相關(guān)技術(shù)對視頻序列圖像處理、分析和理解。它已經(jīng)在遙感遙測、工業(yè)安防、航天航空、智能機器人、社會安防等領(lǐng)域發(fā)揮著重要作用。TLD(Tracking-Learning-Detection)是近年來出現(xiàn)的一種單目標(biāo)長時間跟蹤的高效算法。該算法解決了目前大部分跟蹤算法在目標(biāo)失蹤后不能重新捕獲目標(biāo)的缺點,并且能夠很好的適應(yīng)目標(biāo)外觀的劇烈變化。但是它仍然存在諸多缺點不

2、足。本文以Kalman濾波器為主要的研究對象。利用擴展的Kalman濾波器的預(yù)測增強TLD算法,以增強算法的可靠性,并在此基礎(chǔ)上實現(xiàn)了相應(yīng)的目標(biāo)跟蹤算法。論文完成的工作有:
　　1.分析了Kalman濾波器的數(shù)學(xué)原理,對濾波器在目標(biāo)跟蹤、運動估計應(yīng)用方面做了一定的擴展,并提出了擴展的方法。
　　2.分析了隨機森林的原理,對比分析各類目標(biāo)檢測的圖像特征描述,比如Haar,LBP,2bitBP特征。并提出基于2bitBP特征建立

3、隨機森林的過程。
　　3.研究了TLD算法中的關(guān)鍵部分P-N學(xué)習(xí)過程和基于LK光流法的MedianFlow跟蹤算法。
　　4.闡述利用擴展的Kalman濾波器增強TLD算法的思想,對改進算法的跟蹤器、檢測器、學(xué)習(xí)器的實現(xiàn)給出詳細描述。調(diào)用檢測器來計算跟蹤器定位目標(biāo)的可信度與Kalman濾波器預(yù)測目標(biāo)的可信度,根據(jù)這兩個可信度,決定輸出到下一級檢測器和學(xué)習(xí)器的結(jié)果。在此基礎(chǔ)上利用Opencv計算機視覺庫,在linux系統(tǒng)上實現(xiàn)