基于多特征結合的壓縮跟蹤.pdf

1、目標跟蹤是計算機視覺領域的一個重要的研究方向，它在智能視頻監(jiān)控、智能交通、人機交互、軍事等領域有著重要的應用價值，備受許多學者的關注。然而，由于目標跟蹤場景的不確定性，常常發(fā)生各種變化（光照、遮擋、外觀等），給目標跟蹤帶來了困難。因此，如何設計一種高穩(wěn)定性、高實時性的跟蹤算法一直是目標跟蹤研究的熱點和難點。
　　壓縮跟蹤算法(CT, Compress Tracking)通過利用非常稀疏的測量矩陣來提取圖像的Haar類特征，算法實時

2、性好，且能較好地應對部分遮擋帶來的影響。但是，由于該方法提取的是基于顏色信息的特征，對光照敏感，因此在光照劇烈變化的場合，跟蹤效果不盡人意;并且壓縮跟蹤算法采用的運動模型固定了目標跟蹤矩形框的大小，這與實際不符，嚴重限制了該方法的應用場合。
　　本文分析了壓縮跟蹤算法的優(yōu)缺點，吸取了它稀疏測量矩陣以及貝葉斯分類的思想，提出了一種魯棒性更強、實時性滿足要求的跟蹤算法，即基于多特征結合的壓縮跟蹤算法。
　　首先，采用一種魯棒性更

3、好的運動模型，即粒子濾波，由于粒子濾波采用了蒙特卡羅技術，使得粒子更加接近粒子的分布，成功應對各種突變帶來的影響，且每個粒子的參數(shù)使用了仿射變換，成功應對了目標形變帶來的影響，保證了跟蹤矩形框與目標尺度的一致性。
　　其次，HOG特征是基于紋理信息的特征，對光線不敏感性強，故本文采用了多特征結合技術(HOG+Haar)，提高了特征組的表達能力，增強了算法的魯棒性。
　　最后，我們將提出的算法從跟蹤精度和跟蹤速度兩個方面來與其