基于視覺的目標檢測和跟蹤關鍵算法的研究.pdf

1、目標檢測和跟蹤一直是計算機視覺領域的研究熱點和前沿課題，在機器人導航、智能監(jiān)控、視頻壓縮、醫(yī)學圖像等方面都具有非常重要的作用。目標檢測和跟蹤是緊密關聯(lián)的兩個過程，二者的結果可以相互佐證。幾十年來，經(jīng)過廣大學者們的不懈努力，目標檢測和跟蹤技術取得了長足的發(fā)展。但是，由于檢測和跟蹤系統(tǒng)應用環(huán)境的復雜性（比如光照、遮擋等因素）和目標本身的多樣性（比如外觀和形態(tài)的變化）給目標檢測和跟蹤技術帶來了嚴重的困難和新的挑戰(zhàn)。針對上述問題，本文進行了下面

2、兩個方面的研究工作并取得了一定的成效。
　　(1)為了尋找對光照和形變具有魯棒性的特征，本文在AdaBoost算法基礎上，提出構建MB-LBP特征和HOG特征弱分類器的方法，分析比較了HAAR特征、MB-LBP特征和HOG特征在AdaBoost算法上的分類效果。上述特征在移動機器人路標檢測的實驗中證明，HOG特征結合AdaBoost算法能夠獲得較高的檢測率和較低的誤檢率。在路標檢測比較結果的基礎上，本文提出了一種結合AdaBoos

3、t算法和SVM算法的路標識別方法，獲得了較高的識別率和較快的識別速度。
　　(2)本文借鑒Tracking-Learning-Detection(TLD)跟蹤算法的思想，提出了離線學習的檢測和在線學習的跟蹤相結合的行人跟蹤算法。該算法檢測模塊包括兩部分:一部分為離線訓練的行人檢測器，一部分為在線實時更新的行人驗證器。離線訓練的行人檢測器定位出視頻中所有的行人，在線實時更新的驗證器通過以前的狀態(tài)從檢測到的行人中確定需要跟蹤的行人。實