目標(biāo)跟蹤算法的研究與分析.pdf

1、運(yùn)動目標(biāo)跟蹤在計(jì)算機(jī)視覺、導(dǎo)航、智能交通領(lǐng)域都發(fā)揮著重要作用。但由于場景的多樣、復(fù)雜性以及對產(chǎn)品實(shí)時(shí)性要求，對目標(biāo)實(shí)現(xiàn)高效穩(wěn)定準(zhǔn)確的跟蹤是一大挑戰(zhàn)。本課題主要針對目標(biāo)跟蹤方法進(jìn)行介紹并展開研究，簡述了一些相對基礎(chǔ)的目標(biāo)跟蹤方面的理論知識，分析了現(xiàn)階段比較典型主流的目標(biāo)跟蹤算法，并對之進(jìn)行了歸納總結(jié)，提出了存在的問題及可能發(fā)展的方向。
　　本課題對Tracking-Learning-Detection算法(TLD)和Compress

2、ive-Track ing算法(CT)進(jìn)行了深入研究。前者通過一種改進(jìn)的在線學(xué)習(xí)機(jī)制不斷更新跟蹤模塊的特征點(diǎn)和檢測模塊的目標(biāo)模型和參數(shù)，能實(shí)現(xiàn)對目標(biāo)的長期穩(wěn)定跟蹤。后者基于壓縮感知原理，運(yùn)用符合感知RIP條件的隨機(jī)感知矩陣將圖像數(shù)據(jù)從高維空間投影到低維空間，使用簡單樸素貝葉斯分類器對降維后的特征進(jìn)行分類處理。但兩者都存在缺點(diǎn)。前者在目標(biāo)形變較快或尺度變化較大時(shí)容易造成目標(biāo)丟失，而且算法需要消耗較大的內(nèi)存，計(jì)算復(fù)雜度較大，實(shí)時(shí)性較差。后者

3、雖然計(jì)算簡單，對遮擋、形態(tài)變化、噪聲等干擾性強(qiáng)于前者，但不具有尺度變化能力。
　　本文針對TLD算法只能解決單目標(biāo)跟蹤的不足，在多高斯混合模型(Gauss ian Mixture Model)運(yùn)動目標(biāo)提取算法的基礎(chǔ)上，對運(yùn)動blob分別進(jìn)行TLD初始化，并融合在線學(xué)習(xí)跟蹤思想和多目標(biāo)關(guān)聯(lián)機(jī)制實(shí)現(xiàn)了對多目標(biāo)的持續(xù)穩(wěn)定跟蹤，推廣了TLD的使用范圍，具有較強(qiáng)實(shí)用性。
　　在上述研究取得一定成果的基礎(chǔ)上，本文提出了目標(biāo)尺寸自適應(yīng)壓縮