基于視覺線索融合的抗遮擋目標(biāo)跟蹤算法研究.pdf

1、視頻目標(biāo)跟蹤是計(jì)算機(jī)視覺的一個(gè)核心問題，其在視頻監(jiān)控、人機(jī)交互、機(jī)器人視覺導(dǎo)航等領(lǐng)域有著廣泛的應(yīng)用。一個(gè)普適、通用的跟蹤算法必須面對諸如復(fù)雜背景、光照、相似物體干擾、遮擋等困難。為此，研究者們已經(jīng)提出了很多跟蹤算法，但一個(gè)魯棒通用的跟蹤算法仍然是一個(gè)富有挑戰(zhàn)性的課題。其中，遮擋問題成為限制跟蹤算法魯棒性的關(guān)鍵。為此，本文主要圍繞目標(biāo)跟蹤中的遮擋問題進(jìn)行了研究與探討，主要工作如下：
　　 1.針對目標(biāo)跟蹤中的遮擋問題，在粒子濾波的

2、框架下，提出了兩種改進(jìn)的方法。第一種方法針對目標(biāo)被部分遮擋或短時(shí)全遮擋時(shí)，單線索特征無法有效跟蹤的問題，首先提出了一種基于多線索自適應(yīng)融合的抗遮擋目標(biāo)跟蹤算法，當(dāng)遮擋發(fā)生時(shí)，適時(shí)切換融合策略，進(jìn)入遮擋跟蹤模式，并在粒子濾波框架內(nèi)，嵌入mean-shift算法，克服了粒子退化現(xiàn)象。實(shí)驗(yàn)結(jié)果表明，該算法具有較強(qiáng)的抗遮擋能力，能夠跟蹤復(fù)雜背景下的目標(biāo)；第二種方法針對目標(biāo)被嚴(yán)重遮擋或較長時(shí)間全遮擋，同時(shí)由于遮擋過程的不確定性，遮擋發(fā)生后，目標(biāo)可

3、能繼續(xù)前進(jìn)、后退或者原地靜止，對第一種方法又進(jìn)行了進(jìn)一步的優(yōu)化，使對遮擋過程的建模更加精確，當(dāng)遮擋發(fā)生時(shí)，同時(shí)改變目標(biāo)的運(yùn)動模型，使粒子只做隨機(jī)游走的布朗運(yùn)動。仿真結(jié)果表明，該算法魯棒性與遮擋處理兼顧，更具有一般意義，能夠跟蹤復(fù)雜變化場景中的目標(biāo)。
　　 2.針對目標(biāo)跟蹤中的遮擋問題，在Mean-shift跟蹤框架下，提出了兩種改進(jìn)的方法。第一種方法針對目標(biāo)被部分遮擋或短時(shí)全遮擋時(shí)，單線索特征跟蹤魯棒性不高、容易跟丟的問題，提出

4、了一種融合多線索特征的Mean-shift抗遮擋目標(biāo)跟蹤算法，當(dāng)遮擋發(fā)生時(shí)，通過Kalman濾波估計(jì)目標(biāo)的狀態(tài)，在目標(biāo)被遮擋的情況下進(jìn)行估計(jì)預(yù)測；提出一種遮擋因子作為目標(biāo)遮擋的判據(jù)，嚴(yán)重遮擋時(shí)，采用目標(biāo)狀態(tài)的外推來預(yù)測目標(biāo)的位置。實(shí)驗(yàn)結(jié)果表明該算法具有更強(qiáng)的抗干擾性，即使在目標(biāo)完全遮擋的情況下仍能正確跟蹤目標(biāo)；第二種方法針對目標(biāo)被嚴(yán)重遮擋或較長時(shí)間全遮擋，同時(shí)由于目標(biāo)遮擋后運(yùn)動的隨機(jī)性，基于Kalman預(yù)測外推的方法可能失效，而粒子濾波