基于TLD框架的人臉跟蹤算法的研究與實現(xiàn).pdf

1、目標跟蹤是計算機視覺領(lǐng)域的一塊重點內(nèi)容。隨著其它支撐類學(xué)科的發(fā)展，目標跟蹤算法也在不斷進步當中。傳統(tǒng)的目標跟蹤算法往往是通過對目標運動趨勢的估計來實現(xiàn)對非快速運動目標的跟蹤。也就是根據(jù)前一幀圖像中目標的位置，利用相鄰幀間目標位移緩慢的特性來進行跟蹤的算法，筆者在文中稱其為利用時間相關(guān)性的跟蹤算法。由于這種跟蹤算法無法解決目標消失再出現(xiàn)時的二次跟蹤問題，計算機視覺跟蹤領(lǐng)域的學(xué)者們開始利用檢測來代替預(yù)估計進行目標檢測類跟蹤。這類跟蹤算法主要

2、利用了目標前景和背景的空間特性，提取特征，訓(xùn)練分類器進行檢測識別，從而實現(xiàn)對目標的跟蹤。筆者將這類算法稱為利用空間相關(guān)性的算法。近幾年，在目標跟蹤方面出現(xiàn)了一種新的跟蹤算法—TLD跟蹤算法。它同時利用了時間相關(guān)性和空間相關(guān)性，設(shè)計出了一種可適應(yīng)長期在線學(xué)習(xí)更新樣本的學(xué)習(xí)機制P-N Learning。在這種學(xué)習(xí)機制的幫助下，結(jié)合傳統(tǒng)的運動估計和圖像檢測兩類跟蹤算法設(shè)計出一種更加貼近人類跟蹤行為的跟蹤算法。該算法如果應(yīng)用到人臉識別領(lǐng)域，可以

3、在一定程度上提高人臉識別系統(tǒng)的精度，減輕人臉識別系統(tǒng)的硬件負載。將原來人臉識別系統(tǒng)中常用的逐幀識別策略替代為跟蹤加識別的策略，從而達到改善原有系統(tǒng)的目的。因此，本文設(shè)計出一種基于TLD框架的人臉跟蹤算法并將該算法應(yīng)用到人臉識別領(lǐng)域。
　　本文首先介紹了TLD算法中用到的相關(guān)理論知識，其中包括LK光流跟蹤算法、視頻檢測相關(guān)理論和P-N Learning學(xué)習(xí)算法。在第三章，本文主要介紹了在TLD跟蹤算法的框架下用于進行人臉檢測的兩種分

4、類算法的設(shè)計與實現(xiàn)。同時也論述了兩種分類算法相關(guān)的網(wǎng)格生成模塊和特征提取模塊的實現(xiàn)方法。隨機蕨叢分類器是一種隨機森林分類器的變形分類器，它具有快速訓(xùn)練和魯棒性強的特點，在學(xué)習(xí)過程中，隨機蕨叢分類器不會因為樣本更新而占用額外存儲資源，因此很適合用于在線學(xué)習(xí)的跟蹤算法。最近鄰分類器配合TLD算法中的相似度計算方法和在線學(xué)習(xí)更新樣本的策略有出色地識別能力，因此被選中作為TLD算法中最后一級分類器。在第四章，本文首先概述了基于TLD框架的人臉跟

5、蹤算法整體框架結(jié)構(gòu)。之后詳細論述了人臉跟蹤算法的工作原理、融合決策模塊的設(shè)計與決策方法。本文在第四章還論述了TLD跟蹤算法中跟蹤模塊、檢測模塊、學(xué)習(xí)模塊的設(shè)計原理和實現(xiàn)方法。在實驗結(jié)果與分析一章中，論文分別介紹了基于TLD框架的人臉跟蹤算法在單獨使用跟蹤模塊、跟蹤與檢測模塊、完整算法三種情況下對同一視頻跟蹤效果，并分析學(xué)習(xí)模塊在整個算法中的重要作用。對人臉跟蹤算法進行魯棒性測試，通過測試該算法在遮擋、消失再現(xiàn)、相似目標干擾等情況下的跟蹤