行人跟蹤算法研究.pdf

1、目標跟蹤是在給定視頻的連續(xù)幀中找出目標并進行持續(xù)跟蹤。本文針對目標跟蹤中最有現(xiàn)實研究意義及應(yīng)用價值的行人跟蹤展開研究。通常，目標跟蹤算法大致可以分為基于檢測的跟蹤和基于預測的跟蹤，但其中任意一種算法都有各自的缺陷和不足，不具備普適性。例如，基于檢測的算法往往容易受到遮擋、形變等影響；基于預測的跟蹤算法在跟蹤的過程中容易產(chǎn)生預測目標與真實目標之間的誤差，并且這種誤差會隨著時間累積，使得跟蹤效果隨時間變差。另一方面，傳統(tǒng)行人描述特征大多來自

2、專家的精心設(shè)計，但這些人工設(shè)計的特征都是屬于淺層特征，對目標的描述能力有限。本文針對以上兩個方面的問題本文提出相應(yīng)的行人跟蹤算法，主要的研究內(nèi)容及創(chuàng)新貢獻如下：
　　①提出針對行人跟蹤的TLD算法改進。TLD算法提出將跟蹤、學習和檢測三個模塊進行組合，通過檢測器的檢測結(jié)果糾正跟蹤器誤差，同時通過在線學習模塊產(chǎn)生的正負樣本進行在線學習以更新檢測器，提高檢測精準度。TLD算法針對長時間的單目標跟蹤表現(xiàn)出了良好的跟蹤效果。TLD算法中的

3、檢測模塊通過固定順序級聯(lián)三個分類器來對目標進行檢測，不能很好的適應(yīng)目標外觀的變化，而影響檢測的精準度。本文提出采用在線AdaBoost算法動態(tài)選擇分類效果最好的特征組成強分類器對目標進行檢測。實驗表明本文提出的算法有效地適應(yīng)目標外觀的改變，提高了檢測精準度，同時保持了TLD算法的長時間跟蹤的魯棒性。
　?、谔岢龌谏疃染矸e神經(jīng)網(wǎng)絡(luò)模型的行人跟蹤。深度卷積神經(jīng)網(wǎng)絡(luò)針對圖像能夠抽取出對目標具有很強表征能力的特征，解決了專家設(shè)計特征描述