基于關(guān)鍵特征點的TLD視頻目標跟蹤算法.pdf

1、視頻目標跟蹤，作為當今社會的前沿技術(shù)，在計算機視覺領(lǐng)域占有重要的地位，經(jīng)過多年的發(fā)展，已經(jīng)在國防、醫(yī)療、人工智能、視頻監(jiān)控等方面有著廣闊的應用前景。傳統(tǒng)的目標跟蹤算法由于缺少在線學習功能，只是立足于盡可能提高單次跟蹤的時間和精度，一旦目標出現(xiàn)形變、遮擋等情況致使目標跟蹤丟失，將不能重新捕獲跟蹤目標。TLD（tracking-learning-detection）是由Zdenek Kalal博士發(fā)明的一種能夠?qū)文繕诉M行長期跟蹤的有效算法

2、，該算法只需要較少的先驗知識就能實現(xiàn)對目標的長期跟蹤。但TLD算法也存在一些不足，在圖像目標跟蹤時，當被跟蹤目標遇到障礙物遮擋時，會出現(xiàn)短期的跟蹤漂移現(xiàn)象，為了克服這一缺點，本文利用關(guān)鍵特征點對TLD跟蹤算法進行改進，在TLD跟蹤模塊之前增加了檢測器，改進后的算法對抑制跟蹤漂移，提高跟蹤速度，都有顯著效果。
　　本論文主要對長期目標跟蹤算法TLD進行了相關(guān)研究。首先，介紹了幾種典型的圖像特征點檢測方法，包括Harris、Surf、

3、Fast、Shi-Tomasi特征點，通過實驗對比分析了不同檢測方法之間的性能。其次，介紹了金字塔LK光流跟蹤法和隨機森林特征檢測，這些都是TLD算法的關(guān)鍵技術(shù)環(huán)節(jié)。然后，介紹了TLD算法的系統(tǒng)構(gòu)成，著重分析了各個模塊的工作原理。最后，針對TLD算法在遇到遮擋時存在跟蹤漂移的現(xiàn)象，提出在TLD跟蹤模塊之前增加檢測器，分別用Harris特征點和Shi-Tomasi特征點代替原來的Grid采樣點。相比于原來的TLD算法，結(jié)果表明，兩種特征點