目標跟蹤算法的研究與分析.pdf

1、運動目標跟蹤在計算機視覺、導航、智能交通領(lǐng)域都發(fā)揮著重要作用。但由于場景的多樣、復雜性以及對產(chǎn)品實時性要求，對目標實現(xiàn)高效穩(wěn)定準確的跟蹤是一大挑戰(zhàn)。本課題主要針對目標跟蹤方法進行介紹并展開研究，簡述了一些相對基礎(chǔ)的目標跟蹤方面的理論知識，分析了現(xiàn)階段比較典型主流的目標跟蹤算法，并對之進行了歸納總結(jié)，提出了存在的問題及可能發(fā)展的方向。
　　本課題對Tracking-Learning-Detection算法(TLD)和Compress

2、ive-Track ing算法(CT)進行了深入研究。前者通過一種改進的在線學習機制不斷更新跟蹤模塊的特征點和檢測模塊的目標模型和參數(shù)，能實現(xiàn)對目標的長期穩(wěn)定跟蹤。后者基于壓縮感知原理，運用符合感知RIP條件的隨機感知矩陣將圖像數(shù)據(jù)從高維空間投影到低維空間，使用簡單樸素貝葉斯分類器對降維后的特征進行分類處理。但兩者都存在缺點。前者在目標形變較快或尺度變化較大時容易造成目標丟失，而且算法需要消耗較大的內(nèi)存，計算復雜度較大，實時性較差。后者

3、雖然計算簡單，對遮擋、形態(tài)變化、噪聲等干擾性強于前者，但不具有尺度變化能力。
　　本文針對TLD算法只能解決單目標跟蹤的不足，在多高斯混合模型(Gauss ian Mixture Model)運動目標提取算法的基礎(chǔ)上，對運動blob分別進行TLD初始化，并融合在線學習跟蹤思想和多目標關(guān)聯(lián)機制實現(xiàn)了對多目標的持續(xù)穩(wěn)定跟蹤，推廣了TLD的使用范圍，具有較強實用性。
　　在上述研究取得一定成果的基礎(chǔ)上，本文提出了目標尺寸自適應(yīng)壓縮