基于計(jì)算機(jī)視覺的復(fù)雜場(chǎng)景下目標(biāo)跟蹤研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展以及視頻采集設(shè)備的大規(guī)模應(yīng)用，對(duì)于計(jì)算機(jī)視覺的研究也受到越來越多的關(guān)注。目標(biāo)跟蹤作為計(jì)算機(jī)視覺領(lǐng)域中的關(guān)鍵技術(shù)之一，被廣泛地應(yīng)用于視頻監(jiān)控、人機(jī)交互、醫(yī)學(xué)診斷、精確制導(dǎo)等民用和軍事的諸多領(lǐng)域。在目標(biāo)跟蹤技術(shù)的研究和發(fā)展過程中，涌現(xiàn)出了眾多優(yōu)秀的算法，并在應(yīng)用中取得了良好的表現(xiàn)。然而要將算法應(yīng)用于真實(shí)世界中實(shí)現(xiàn)復(fù)雜場(chǎng)景下的目標(biāo)跟蹤，依然還有很多需要解決的問題。
　　根據(jù)理論研究和實(shí)際應(yīng)用的需要，在對(duì)已有目標(biāo)跟

2、蹤方法進(jìn)行了深入分析和討論的基礎(chǔ)上，論文針對(duì)復(fù)雜環(huán)境下的目標(biāo)跟蹤中存在的難點(diǎn)問題，展開了以下內(nèi)容的工作:
　　(1)針對(duì)跟蹤過程中目標(biāo)發(fā)生遮擋以及形變的問題，提出了一種改進(jìn)的基于局部模型的目標(biāo)跟蹤算法。算法以局部特征為基本元素，利用廣義霍夫變換對(duì)局部特征的穩(wěn)定性進(jìn)行加權(quán)來構(gòu)建目標(biāo)模型。將穩(wěn)定的局部特征作為前景，計(jì)算目標(biāo)全局的顏色概率分布，再以此來調(diào)整局部模型，并對(duì)跟蹤結(jié)果進(jìn)行優(yōu)化，減少跟蹤誤差。局部特征與全局特征相互約束和補(bǔ)充，共

3、同完成在線更新，提高了局部模型的適應(yīng)性和穩(wěn)定性，增強(qiáng)了算法對(duì)遮擋和形變問題的處理能力。
　　(2)對(duì)視頻場(chǎng)景中的多目標(biāo)跟蹤問題進(jìn)行了研究，并對(duì)主流的基于檢測(cè)的多目標(biāo)跟蹤方法進(jìn)行了分析。目前主流的通用目標(biāo)檢測(cè)算法在復(fù)雜場(chǎng)景下檢測(cè)結(jié)果的準(zhǔn)確率依然不夠理想，容易出現(xiàn)誤檢和漏檢，進(jìn)而造成跟蹤失敗。針對(duì)這一問題，提出了一種基于通用檢測(cè)器的多目標(biāo)跟蹤算法。算法采用基于方向梯度直方圖的通用目標(biāo)檢測(cè)器，同時(shí)結(jié)合背景減除的方法對(duì)檢測(cè)結(jié)果進(jìn)行修正。之

4、后采用中值光流和粒子濾波的方法利用上下文信息進(jìn)行跟蹤，將結(jié)果用于數(shù)據(jù)關(guān)聯(lián)的優(yōu)化，從而獲得更穩(wěn)定的跟蹤結(jié)果。
　　(3)針對(duì)高密度的群體目標(biāo)運(yùn)動(dòng)情況，提出了一種基于光流聚類的群體運(yùn)動(dòng)模式分析方法。首先提取視頻中每一幀的特征點(diǎn)，并利用光流法進(jìn)行跟蹤，得到光流信息。然后對(duì)一段時(shí)間內(nèi)的光流信息進(jìn)行統(tǒng)計(jì)，生成包含群體運(yùn)動(dòng)信息的光流場(chǎng)，并通過濾波去除噪聲和無效的光流。之后采用基于密度的聚類方法對(duì)光流信息進(jìn)行聚類分析，得出群體的運(yùn)動(dòng)模式，直觀準(zhǔn)

5、確地反映群體目標(biāo)的運(yùn)動(dòng)狀態(tài)。最后進(jìn)一步將群體運(yùn)動(dòng)模式作為先驗(yàn)信息，給出了一種結(jié)合運(yùn)動(dòng)模式的粒子濾波跟蹤算法，驗(yàn)證了運(yùn)動(dòng)模式的有效性。
　　(4)針對(duì)無約束運(yùn)動(dòng)目標(biāo)的跟蹤問題，對(duì)基于檢測(cè)的目標(biāo)跟蹤方法進(jìn)行了研究，提出了兩種不同層次的融合跟蹤算法。1）算法級(jí)別的融合:提出了一種采用多算法對(duì)檢測(cè)結(jié)果進(jìn)行約束和優(yōu)化的層級(jí)式融合跟蹤算法。方法采用模板匹配實(shí)現(xiàn)對(duì)穩(wěn)定性的約束，采用光流跟蹤實(shí)現(xiàn)對(duì)適應(yīng)性的增強(qiáng)。通過這兩種方法與在線自適應(yīng)增強(qiáng)算法的

6、融合，減少了漂移的影響，提高了跟蹤效果。2）信息級(jí)別的融合:提出了一種基于霍夫隨機(jī)蕨的多信息融合目標(biāo)跟蹤算法。采用局部圖像塊作為低層級(jí)特征，并采用隨機(jī)蕨訓(xùn)練局部特征的檢測(cè)器，利用檢測(cè)結(jié)果對(duì)目標(biāo)位置進(jìn)行霍夫投票。通過圖像分割生成超像素作為中層級(jí)特征，并以超像素為單位對(duì)顏色概率分布進(jìn)行建模。利用顏色概率模型對(duì)檢測(cè)器進(jìn)行約束并對(duì)跟蹤結(jié)果進(jìn)行優(yōu)化，提高檢測(cè)器對(duì)目標(biāo)外觀變化的魯棒性。算法將這兩個(gè)基于不同特征盼模型有機(jī)結(jié)合，融合了局部檢測(cè)、位置估計(jì)