基于TLD的目標跟蹤改進算法研究.pdf

1、隨著計算機技術與人工智能的快速發(fā)展，機器視覺在監(jiān)控安防、身份認證、醫(yī)學診斷、工業(yè)檢測等領域具有廣泛的應用。圖像作為人類獲取知識的重要來源包含了豐富的信息，因此機器視覺發(fā)展的最終目的是實現(xiàn)計算機理解圖像中的客觀環(huán)境，代替人工來做出決策或進一步的上層處理。
　　目標跟蹤作為機器視覺的一個研究方向，引起了廣泛的關注。本文首先將跟蹤算法的處理流程分為四個步驟：特征提取、運動模型、觀測模型、模型更新，文章介紹了各個步驟中常用的算法，之后重點

2、研究了Tracking-Learning-Detection(TLD)跟蹤算法，TLD跟蹤算法是一個單目標長時間跟蹤算法，它解決了目標在跟蹤視野中消失后又重新出現(xiàn)時的目標捕獲問題，算法自2011年提出后引起了極大的關注，眾多國內(nèi)外研究者提出了相應的改進策略。
　　通過對TLD跟蹤算法的深入了解，本文詳細介紹了算法中的跟蹤模塊、檢測模塊、學習模塊。通過分析 Kalman濾波算法的局限性，文章引入了多新息理論。將多新息Kalman濾波

3、算法(MIKF)引入TLD跟蹤算法中，提出了結(jié)合多新息Kalman濾波的TLD改進算法(TLD_MIKF)。其次，TLD作為單目標單攝像頭的跟蹤算法其跟蹤視野有較大的局限性，文章提出了基于TLD的多攝像頭跟蹤算法。改進算法提高了原始TLD算法的魯棒性并且實現(xiàn)了多攝像頭環(huán)境下對目標的連續(xù)跟蹤。文章具體研究內(nèi)容如下：
　?。?）針對TLD跟蹤算法中對目標被遮擋后跟蹤失敗以及跟蹤精度不高的問題，本文結(jié)合多新息Kalman濾波算法提出了基

4、于多新息Kalman濾波的TLD改進算法，改進算法對跟蹤目標的所在位置建模，將TLD跟蹤算法的結(jié)果作為系統(tǒng)當前狀態(tài)的觀測值，結(jié)合多新息Kalman濾波算法的預測值，優(yōu)化檢測結(jié)果，作為當前幀目標的跟蹤位置。通過實驗對原始TLD算法與加入多新息Kalman濾波的TLD改進算法進行了比較，實驗結(jié)果表明改進后的算法較原始 TLD算法具有更高的跟蹤精度，而且實現(xiàn)了對跟蹤目標被遮擋后的位置預測。
　?。?）針對 TLD算法只能在單視頻輸入的圖

5、像中跟蹤目標的局限性，文章引入了公告版的概念，將跟蹤目標的位置、模板等信息在全局的跟蹤系統(tǒng)中實時公告，并結(jié)合Kalman濾波算法預測目標在多攝像頭環(huán)境下的運動方向，提出了基于TLD的多攝像頭跟蹤算法。該算法將分布式布局的攝像頭抽象為無向圖并且在算法運行之前人工確定其拓撲結(jié)構(gòu)，將跟蹤過程的實時信息發(fā)布在中心服務器維護的公告版中，并動態(tài)更新，使用Kalman濾波算法處理遮擋以及實現(xiàn)對跟蹤目標運動方向的預測。該算法實現(xiàn)了在多攝像頭環(huán)境中跟蹤單