基于TL D算法的運動目標檢測和跟蹤.pdf

1、　　傳統(tǒng)的視頻序列目標檢測與跟蹤方法(例如背景差分法、幀間差分法、光流法等)難以適應復雜的圖像背景、目標形狀的實時變化以及目標位置的非規(guī)則抖動等問題。
　　本文主要在Tracking-Learning-Detection(TLD)目標跟蹤算法上提出了一些改進，使對足球運動員的跟蹤更加魯棒性。此算法的跟蹤分為三步：追蹤、學習和檢測。其中追蹤的過程中采用Lucas-Kanade算法計算幀I到幀J的Forward-Backward(F

2、B)錯誤值，采用Normalized Cross-Correlation(NCC)算法計算各個點的相關度值，然后由跟蹤區(qū)域各點的FB值和NCC值的平均值作為閾值來獲取可靠的特征點。Positive-Negative(P-N)學習的過程展示了一種新的思想：跟蹤目標在視頻序列中位置的變化被認為是軌道，靠近軌道的圖像碎片是對象，遠離軌道的是背景。學習中使用已經(jīng)標記的樣本來訓練一個初始化的分類器，并調(diào)整預先定義的約束適合已經(jīng)標記的數(shù)據(jù)，然后通過

3、分類器標記未標記的數(shù)據(jù)，并識別出那些已經(jīng)被標記的但是跟約束不相符的樣本，最后更正標記并添加到訓練集里，重新訓練分類器。檢測的過程就是在幀J中找出與幀I最接近且相鄰的圖像塊。
　　從實驗結(jié)果中可以看出，改進的TLD目標跟蹤算法能有效的適應復雜環(huán)境的目標跟蹤，對運動目標的速度有很好的適應性，在目標形狀變化以及位置非規(guī)則抖動的情況下，目標跟蹤更具魯棒性，同時能獲取更多的有效特征點，較好地解決目標跟蹤中的漂移以及丟失現(xiàn)象，并能有效改善檢