基于TL D算法的運動目標(biāo)檢測和跟蹤.pdf

1、　　傳統(tǒng)的視頻序列目標(biāo)檢測與跟蹤方法(例如背景差分法、幀間差分法、光流法等)難以適應(yīng)復(fù)雜的圖像背景、目標(biāo)形狀的實時變化以及目標(biāo)位置的非規(guī)則抖動等問題。
　　本文主要在Tracking-Learning-Detection(TLD)目標(biāo)跟蹤算法上提出了一些改進(jìn)，使對足球運動員的跟蹤更加魯棒性。此算法的跟蹤分為三步：追蹤、學(xué)習(xí)和檢測。其中追蹤的過程中采用Lucas-Kanade算法計算幀I到幀J的Forward-Backward(F

2、B)錯誤值，采用Normalized Cross-Correlation(NCC)算法計算各個點的相關(guān)度值，然后由跟蹤區(qū)域各點的FB值和NCC值的平均值作為閾值來獲取可靠的特征點。Positive-Negative(P-N)學(xué)習(xí)的過程展示了一種新的思想：跟蹤目標(biāo)在視頻序列中位置的變化被認(rèn)為是軌道，靠近軌道的圖像碎片是對象，遠(yuǎn)離軌道的是背景。學(xué)習(xí)中使用已經(jīng)標(biāo)記的樣本來訓(xùn)練一個初始化的分類器，并調(diào)整預(yù)先定義的約束適合已經(jīng)標(biāo)記的數(shù)據(jù)，然后通過

3、分類器標(biāo)記未標(biāo)記的數(shù)據(jù)，并識別出那些已經(jīng)被標(biāo)記的但是跟約束不相符的樣本，最后更正標(biāo)記并添加到訓(xùn)練集里，重新訓(xùn)練分類器。檢測的過程就是在幀J中找出與幀I最接近且相鄰的圖像塊。
　　從實驗結(jié)果中可以看出，改進(jìn)的TLD目標(biāo)跟蹤算法能有效的適應(yīng)復(fù)雜環(huán)境的目標(biāo)跟蹤，對運動目標(biāo)的速度有很好的適應(yīng)性，在目標(biāo)形狀變化以及位置非規(guī)則抖動的情況下，目標(biāo)跟蹤更具魯棒性，同時能獲取更多的有效特征點，較好地解決目標(biāo)跟蹤中的漂移以及丟失現(xiàn)象，并能有效改善檢