結(jié)合多示例學(xué)習(xí)和模板匹配的目標(biāo)跟蹤算法研究.pdf

1、目標(biāo)跟蹤技術(shù)在人工智能領(lǐng)域已經(jīng)研究了許多年，跟蹤的目的就是對后續(xù)幀中目標(biāo)的位置坐標(biāo)進(jìn)行實(shí)時(shí)定位。本文研究了三個(gè)比較熱門的跟蹤算法，通過對它們的學(xué)習(xí)以及分析，對決策型跟蹤算法和匹配型跟蹤算法分別作了比較詳細(xì)的分析研究。決策型跟蹤算法對目標(biāo)的突然運(yùn)動(dòng)、光照的變化具有一定的魯棒性，但是在遇到目標(biāo)半遮擋或者完全遮擋的情況下，很容易丟失跟蹤目標(biāo)。匹配型跟蹤算法一般對于目標(biāo)的形變、旋轉(zhuǎn)以及遮擋具有一定的魯棒性，然而它一開始就假設(shè)了目標(biāo)和背景的不同，

2、一旦出現(xiàn)和目標(biāo)相似的背景，也容易出現(xiàn)跟蹤失敗，而且不能及時(shí)地應(yīng)對光照的突然變化。通過對這兩種類型算法的分析研究后，再結(jié)合兩種類型算法的優(yōu)點(diǎn)進(jìn)行一系列改進(jìn)。
　　首先對基于模板匹配的目標(biāo)跟蹤算法進(jìn)行了研究，具體分為三個(gè)步驟，即模型建立，匹配跟蹤和模型更新。因?yàn)獒槍我惶卣骱茈y全面描述目標(biāo)的信息以及使用直方圖對特征描述缺失空間信息的不足，提出一種融合多特征分布域的建模方法：通過對灰度值特征，紋理特征和邊緣特征進(jìn)行分布域處理，得到聯(lián)合特

3、征分布域的組合特征，構(gòu)建目標(biāo)模型，在新的幀中采用模型匹配的方式局部搜索到最適合的候選目標(biāo)，來實(shí)現(xiàn)對目標(biāo)的跟蹤。同時(shí)考慮到在目標(biāo)模型中，通常存在同一特征聚集而形成的特征密集區(qū)，這些特征密集區(qū)在目標(biāo)模型上的特有分布對區(qū)分目標(biāo)與背景異常重要，所以在構(gòu)建目標(biāo)模型時(shí)，對特征最聚集分布層乘以一個(gè)加權(quán)系數(shù)，突出相對聚集特征，旨在提高跟蹤精度。
　　為了結(jié)合多示例學(xué)習(xí)和Mean Shift這兩種類型的算法，需要通過一系列的優(yōu)化達(dá)到跟蹤標(biāo)準(zhǔn)。為了提

4、高多示例學(xué)習(xí)跟蹤方法中對目標(biāo)檢測的準(zhǔn)確度，來得到更加準(zhǔn)確的目標(biāo)初始位置，提出使用集成學(xué)習(xí)的思想，通過對示例隨機(jī)采樣，生成若干個(gè)強(qiáng)分類器，集成它們用于確定目標(biāo)的位置。對于Mean Shift跟蹤算法，以結(jié)合顏色特征和紋理特征的聯(lián)合表示目標(biāo)模型，利用每種特征的優(yōu)勢互補(bǔ)性構(gòu)建一個(gè)魯棒性的目標(biāo)模型，提高跟蹤準(zhǔn)確度。
　　針對如何對決策型算法和匹配型算法結(jié)合的問題上，先通過改進(jìn)的多示例跟蹤對目標(biāo)進(jìn)行跟蹤，得到目標(biāo)在新的一幀中的位置，然后通過