基于TLD框架的目標跟蹤算法研究.pdf

1、由于目標跟蹤在實際生活中的重要性，使得目標跟蹤受到了廣泛的研究和關(guān)注。目前，目標跟蹤已經(jīng)廣泛應(yīng)用于人機交互、智能交通、視頻監(jiān)控等領(lǐng)域。盡管目標跟蹤取得了快速的發(fā)展，但是姿態(tài)變化、光照改變、形變、突然運動以及遮擋等因素都會引起目標對象的改變，因此構(gòu)造一個魯棒而有效的跟蹤系統(tǒng)仍然具有挑戰(zhàn)性。
　　當前主流的跟蹤算法是基于檢測的目標跟蹤算法。作為一種流行的基于檢測的跟蹤算法，Tracking-Learning-Detection跟蹤算法

2、，即TLD跟蹤算法受到了廣泛的關(guān)注。TLD算法將長時間跟蹤過程分為跟蹤、學習、檢測三個部分。量化評估顯示，TLD跟蹤算法優(yōu)于目前的大多數(shù)跟蹤算法，尤其是在長時間跟蹤方面。然而，在遇到目標遮擋、姿態(tài)變化和光照變化等情況時，TLD跟蹤算法仍然存在問題。
　　在分析卡爾曼濾波、SIR粒子濾波以及均值漂移等跟蹤算法的基礎(chǔ)上，論文提出了幾種改進的跟蹤算法來解決TLD跟蹤中的目標遮擋問題。論文的主要工作如下:
　　(1)提出了一種基于卡

3、爾曼濾波的抗遮擋TLD跟蹤算法。當TLD跟蹤良好時，TLD為卡爾曼濾波提供觀測值，并且不斷修正卡爾曼濾波器的參數(shù)。當目標出現(xiàn)遮擋的時候，通過卡爾曼濾波預(yù)測出目標的位置，并且利用該預(yù)測值作為觀測值更新卡爾曼濾波器。實驗結(jié)果表明，在目標遇到嚴重遮擋以及全遮擋的情況下，提出的算法仍然非常有效。
　　(2)提出了一種基于SIR粒子濾波的抗遮擋TLD跟蹤算法。利用TLD的置信度作為判斷依據(jù)，當TLD的置信度比較高的時候，利用TLD的預(yù)測框?qū)?/p>

4、粒子濾波進行初始化，以避免SIR粒子濾波算法的粒子貧乏問題，并且充分發(fā)揮了粒子濾波的抗遮擋跟蹤能力。實驗結(jié)果表明，這種方法在應(yīng)對目標遮擋跟蹤方面能夠取得很好的效果。
　　(3)提出了一種基于均值漂移的抗遮擋TLD跟蹤算法。在實現(xiàn)了一種基于卡爾曼濾波的均值漂移算法的基礎(chǔ)上，借鑒該算法的思想，提出了一種基于均值漂移的抗遮擋TLD跟蹤算法。通過對TLD跟蹤預(yù)測框置信度的判斷，動態(tài)設(shè)置均值漂移算法的迭代搜索起始點，最終比較準確的獲得當前幀

5、中目標的位置。實驗結(jié)果表明，該算法在應(yīng)對目標遮擋跟蹤方面性能良好。
　　本論文所提出的三種TLD改進算法，均能夠提高TLD跟蹤算法的抗遮擋跟蹤能力。其中，基于卡爾曼濾波的TLD跟蹤算法能夠很好的應(yīng)對線性運動下的目標嚴重遮擋和全遮擋情況。基于粒子濾波的TLD跟蹤算法和基于均值漂移的TLD跟蹤算法能夠很好的應(yīng)對非線性運動下的目標遮擋情況。從整體上看，后兩種改進算法的跟蹤精度都要明顯優(yōu)于TLD跟蹤算法，并且基于均值漂移的TLD跟蹤算法表