基于視覺的目標(biāo)檢測和跟蹤關(guān)鍵算法的研究.pdf

1、目標(biāo)檢測和跟蹤一直是計算機(jī)視覺領(lǐng)域的研究熱點(diǎn)和前沿課題，在機(jī)器人導(dǎo)航、智能監(jiān)控、視頻壓縮、醫(yī)學(xué)圖像等方面都具有非常重要的作用。目標(biāo)檢測和跟蹤是緊密關(guān)聯(lián)的兩個過程，二者的結(jié)果可以相互佐證。幾十年來，經(jīng)過廣大學(xué)者們的不懈努力，目標(biāo)檢測和跟蹤技術(shù)取得了長足的發(fā)展。但是，由于檢測和跟蹤系統(tǒng)應(yīng)用環(huán)境的復(fù)雜性（比如光照、遮擋等因素）和目標(biāo)本身的多樣性（比如外觀和形態(tài)的變化）給目標(biāo)檢測和跟蹤技術(shù)帶來了嚴(yán)重的困難和新的挑戰(zhàn)。針對上述問題，本文進(jìn)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(chǔ)上，提出構(gòu)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(jī)器人路標(biāo)檢測的實(shí)驗中證明，HOG特征結(jié)合AdaBoost算法能夠獲得較高的檢測率和較低的誤檢率。在路標(biāo)檢測比較結(jié)果的基礎(chǔ)上，本文提出了一種結(jié)合AdaBoos

3、t算法和SVM算法的路標(biāo)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(xué)習(xí)的檢測和在線學(xué)習(xí)的跟蹤相結(jié)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(xùn)練的行人檢測器，一部分為在線實(shí)時更新的行人驗證器。離線訓(xùn)練的行人檢測器定位出視頻中所有的行人，在線實(shí)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(shí)