基于圖像特征的目標跟蹤方法.pdf

1、目標跟蹤是計算機視覺的一個重要分支，它在視頻監(jiān)控、智能交通、人機交互、軍事偵察和機器人視覺導航等領域中已得到廣泛的應用，其目的是通過一定的相似性度量和匹配搜索算法實現(xiàn)目標的跟蹤和定位。盡管經(jīng)過多年的研究，已經(jīng)提出了許多目標跟蹤算法，但是在目標跟蹤技術中仍然存在當運動目標出現(xiàn)尺度變化、嚴重遮擋、旋轉(zhuǎn)和快速運動等復雜情況而導致跟蹤性能變差的問題。因此，本文在現(xiàn)有研究的基礎上，將Mean Shift和SIFT算法結合起來，同時為了降低背景或噪

2、聲給特征提取的影響，引入了特征庫動態(tài)更新策略，提出了一種基于特征庫動態(tài)更新的Mean Shift和SIFT特征匹配相結合的目標跟蹤方法。
　　首先，本文研究了目標跟蹤中的經(jīng)典算法Mean Shift算法，而后研究了目標跟蹤中較為熱門的Kalman濾波以及在目標跟蹤中的應用。由于Mean Shift算法在處理跟蹤時以目標區(qū)域和候選目標區(qū)域的顏色直方圖為基礎對其進行建模的，并且在跟蹤過程中Mean Shift算法的核函數(shù)窗口大小保持定

3、值，因此當運動目標在跟蹤過程中出現(xiàn)較大尺度變化或者突然加速運動時，僅僅采用Mean Shift算法無法有效地跟蹤上目標。為了克服運動目標在發(fā)生快速運動時能夠較好的跟蹤上目標，本文還研究了將二者結合起來的目標跟蹤方法。
　　其次，本文還概述了各種常用的點特征檢測算法。由于SIFT特征具有尺度、旋轉(zhuǎn)、仿射變換及光照變化的不變性，對噪聲抗性好，適用于快速準確的特征匹配。因此，本文還研究了基于SIFT特征的目標跟蹤算法。該算法在一定程度上

4、可以應對目標因尺度變換、光照、部分遮擋和噪聲等對運動目標跟蹤的影響。但是當運動目標出現(xiàn)嚴重遮擋或者候選目標區(qū)域中檢測到的特征點較少時，該算法可能會出現(xiàn)跟蹤誤差大甚至無法跟蹤目標的問題。因此，為了在這些復雜的情況下仍可得到較好的跟蹤結果，本文提出了一種將二者有效結合起來的目標跟蹤方法。
　　最后，本文深入研究了基于Mean Shift和SIFT特征匹配相結合的目標跟蹤方法。與傳統(tǒng)目標跟蹤算法相比，該算法的優(yōu)點是首先，通過SIFT特征

5、匹配進行初始定位，克服旋轉(zhuǎn)、縮放、遮擋等對目標跟蹤的影響，然后利用Mean Shift精確定位，提高目標定位精度；其次，為了保證特征提取與特征匹配的穩(wěn)定性，該算法還采用了特征庫動態(tài)更新的SIFT特征匹配，大大提高了匹配的精度；最后，通過計算目標的遮擋因子來確定目標的跟蹤模式，如果遮擋因子大于閾值則進入遮擋跟蹤模式，否則對模板和特征庫進行更新，進入下一幀的跟蹤。實驗結果表明，該方法對目標的遮擋、快速運動及尺度變化等均具有較強的跟蹤適應性。