基于視覺目標跟蹤算法的研究.pdf

1、隨著科學技術的進步，圖像處理技術近年來得到飛速發(fā)展，計算機視覺成為計算機領域研究的熱門，而目標跟蹤作為它的一個重要部分已經廣泛應用到人機交互、智能交通、機器人視覺導航、軍事等領域。例如，在智能交通系統(tǒng)，通過對繁忙路口車輛的跟蹤來統(tǒng)計車流量，可以讓交警部門合理安排調度，避免出現交通擁堵;在安防監(jiān)控系統(tǒng)，通過對出入人員特定的跟蹤來對他們的行為進行分析，判斷是否為可疑人員;在汽車輔助駕駛系統(tǒng)，通過對道路上車輛的跟蹤，獲取車輛位置、速度等信息返

2、回給系統(tǒng)計算出前方車速及距離，及時報告給司機避免發(fā)生碰撞。如何在各種復雜場景下都能夠精確并且快速地跟蹤到目標成為了一個重要的研究課題。為此，本文做了如下工作:
　　(1)本文首先研究分析了Lucas-Kanade光流法、Mean Shift算法和信賴域方法3種常用的傳統(tǒng)跟蹤方法。它們有一個共同的特點就是僅僅考慮所跟蹤的目標本身而不考慮目標周圍的信息，本文稱之為絕對目標的跟蹤方法。這些方法通常采用基于顏色匹配的方法，這就使得它們無法

3、解決跟蹤過程中的復雜場景、光照變化以及遮擋等難點問題。此外，光流法假設兩幀圖像之間亮度不變，故不能處理目標發(fā)生較大變化等情形;MeanShift雖然處理速度較快但不能解決尺度變化問題;而信賴域方法跟蹤穩(wěn)定，魯棒性好但實時性較差。
　　(2)相對于傳統(tǒng)跟蹤算法，本文采用了一種新穎的基于相對目標的跟蹤方法，既考慮到目標本身同時還考慮目標周圍背景信息。在線隨機森林算法正是其中一種相對目標的跟蹤方法，它最主要特點是在線學習特性和基于檢測的

4、跟蹤特性。本文根據在線學習中正樣本數量少的特點提出了一種改進的在線隨機森林算法。此外，在訓練特征的選取上采用了一種兼容簡單且光照不變的特征——BRIEF特征，并根據目標跟蹤的特點做了相應的改進。
　　(3)鑒于傳統(tǒng)檢測方法是對全圖進行窮舉的，需要耗費大量的時間，難以達到多目標實時跟蹤。本文提出了引入Kalman濾波器結合在線隨機森林算法的方法，通過Kalman濾波器估計出目標可能出現的位置，僅需在其附近區(qū)域檢測目標即可。本文對檢測