基于計算機視覺的復(fù)雜場景下目標跟蹤研究.pdf

1、隨著計算機技術(shù)的飛速發(fā)展以及視頻采集設(shè)備的大規(guī)模應(yīng)用，對于計算機視覺的研究也受到越來越多的關(guān)注。目標跟蹤作為計算機視覺領(lǐng)域中的關(guān)鍵技術(shù)之一，被廣泛地應(yīng)用于視頻監(jiān)控、人機交互、醫(yī)學(xué)診斷、精確制導(dǎo)等民用和軍事的諸多領(lǐng)域。在目標跟蹤技術(shù)的研究和發(fā)展過程中，涌現(xiàn)出了眾多優(yōu)秀的算法，并在應(yīng)用中取得了良好的表現(xiàn)。然而要將算法應(yīng)用于真實世界中實現(xiàn)復(fù)雜場景下的目標跟蹤，依然還有很多需要解決的問題。
　　根據(jù)理論研究和實際應(yīng)用的需要，在對已有目標跟

2、蹤方法進行了深入分析和討論的基礎(chǔ)上，論文針對復(fù)雜環(huán)境下的目標跟蹤中存在的難點問題，展開了以下內(nèi)容的工作:
　　(1)針對跟蹤過程中目標發(fā)生遮擋以及形變的問題，提出了一種改進的基于局部模型的目標跟蹤算法。算法以局部特征為基本元素，利用廣義霍夫變換對局部特征的穩(wěn)定性進行加權(quán)來構(gòu)建目標模型。將穩(wěn)定的局部特征作為前景，計算目標全局的顏色概率分布，再以此來調(diào)整局部模型，并對跟蹤結(jié)果進行優(yōu)化，減少跟蹤誤差。局部特征與全局特征相互約束和補充，共

3、同完成在線更新，提高了局部模型的適應(yīng)性和穩(wěn)定性，增強了算法對遮擋和形變問題的處理能力。
　　(2)對視頻場景中的多目標跟蹤問題進行了研究，并對主流的基于檢測的多目標跟蹤方法進行了分析。目前主流的通用目標檢測算法在復(fù)雜場景下檢測結(jié)果的準確率依然不夠理想，容易出現(xiàn)誤檢和漏檢，進而造成跟蹤失敗。針對這一問題，提出了一種基于通用檢測器的多目標跟蹤算法。算法采用基于方向梯度直方圖的通用目標檢測器，同時結(jié)合背景減除的方法對檢測結(jié)果進行修正。之

4、后采用中值光流和粒子濾波的方法利用上下文信息進行跟蹤，將結(jié)果用于數(shù)據(jù)關(guān)聯(lián)的優(yōu)化，從而獲得更穩(wěn)定的跟蹤結(jié)果。
　　(3)針對高密度的群體目標運動情況，提出了一種基于光流聚類的群體運動模式分析方法。首先提取視頻中每一幀的特征點，并利用光流法進行跟蹤，得到光流信息。然后對一段時間內(nèi)的光流信息進行統(tǒng)計，生成包含群體運動信息的光流場，并通過濾波去除噪聲和無效的光流。之后采用基于密度的聚類方法對光流信息進行聚類分析，得出群體的運動模式，直觀準

5、確地反映群體目標的運動狀態(tài)。最后進一步將群體運動模式作為先驗信息，給出了一種結(jié)合運動模式的粒子濾波跟蹤算法，驗證了運動模式的有效性。
　　(4)針對無約束運動目標的跟蹤問題，對基于檢測的目標跟蹤方法進行了研究，提出了兩種不同層次的融合跟蹤算法。1）算法級別的融合:提出了一種采用多算法對檢測結(jié)果進行約束和優(yōu)化的層級式融合跟蹤算法。方法采用模板匹配實現(xiàn)對穩(wěn)定性的約束，采用光流跟蹤實現(xiàn)對適應(yīng)性的增強。通過這兩種方法與在線自適應(yīng)增強算法的

6、融合，減少了漂移的影響，提高了跟蹤效果。2）信息級別的融合:提出了一種基于霍夫隨機蕨的多信息融合目標跟蹤算法。采用局部圖像塊作為低層級特征，并采用隨機蕨訓(xùn)練局部特征的檢測器，利用檢測結(jié)果對目標位置進行霍夫投票。通過圖像分割生成超像素作為中層級特征，并以超像素為單位對顏色概率分布進行建模。利用顏色概率模型對檢測器進行約束并對跟蹤結(jié)果進行優(yōu)化，提高檢測器對目標外觀變化的魯棒性。算法將這兩個基于不同特征盼模型有機結(jié)合，融合了局部檢測、位置估計