基于最小生成樹(shù)模型的多目標(biāo)跟蹤算法研究.pdf

1、目前，目標(biāo)跟蹤作為計(jì)算機(jī)視覺(jué)領(lǐng)域中重要的研究方向，涉及圖像處理、模式識(shí)別、人工智能及自動(dòng)控制等前沿學(xué)科理論，并在交通控制、治安管理、人機(jī)交互、智能車(chē)輛和醫(yī)療檢測(cè)等領(lǐng)域都有廣泛應(yīng)用，對(duì)人類(lèi)生活具有較高的實(shí)用價(jià)值。但在復(fù)雜跟蹤場(chǎng)景中，跟蹤系統(tǒng)的性能受各種因素的制約，如目標(biāo)遮擋，光照變化，姿態(tài)多樣性等。因此設(shè)計(jì)一個(gè)性能良好的跟蹤器是很有挑戰(zhàn)性的工作，具有重要的現(xiàn)實(shí)意義。
　　本文針對(duì)復(fù)雜環(huán)境下的視頻序列中多目標(biāo)跟蹤算法的不足，提出了改進(jìn)

2、的基于空間約束的跟蹤算法。多數(shù)跟蹤器往往只關(guān)注目標(biāo)外觀的顯著性特征，而忽視了不同目標(biāo)間的相互關(guān)系。由于目標(biāo)間存在頻繁的遮擋和有相似外觀，很容易發(fā)生跟蹤漂移。故本文方法融入目標(biāo)間的空間相互位置信息，由外觀匹配得分結(jié)合結(jié)構(gòu)形變得分，通過(guò)配置得分最大化輸出多目標(biāo)的最佳位置配置，使跟蹤器在多目標(biāo)場(chǎng)景中能實(shí)現(xiàn)更準(zhǔn)確的跟蹤。該算法將每個(gè)運(yùn)動(dòng)目標(biāo)視為一個(gè)部分，首先對(duì)目標(biāo)區(qū)域進(jìn)行梯度方向直方圖（HOG）特征提取，然后結(jié)合支持向量機(jī)（SVM）分類(lèi)器進(jìn)行樣

3、本訓(xùn)練，得到每個(gè)目標(biāo)的外觀模型?；诳勺冃文０宓脑?，提出最小生成樹(shù)（MST）模型來(lái)建立各個(gè)部分之間的聯(lián)系，在有效表示目標(biāo)空間結(jié)構(gòu)約束的同時(shí)，使整個(gè)檢測(cè)過(guò)程計(jì)算復(fù)雜度較小。在跟蹤過(guò)程中，使用一個(gè)結(jié)構(gòu)化的SVM算法框架（structured SVM）進(jìn)行參數(shù)在線(xiàn)學(xué)習(xí)，實(shí)時(shí)更新所有目標(biāo)的外觀模型和這些目標(biāo)間的結(jié)構(gòu)約束，使跟蹤器能夠及時(shí)適應(yīng)目標(biāo)和環(huán)境的變化。最后通過(guò)實(shí)驗(yàn)結(jié)果表明，本文算法有效改善了對(duì)多目標(biāo)的跟蹤效果，提高了跟蹤器的魯棒性和準(zhǔn)確