結(jié)合多示例學習和模板匹配的目標跟蹤算法研究.pdf

1、目標跟蹤技術(shù)在人工智能領(lǐng)域已經(jīng)研究了許多年，跟蹤的目的就是對后續(xù)幀中目標的位置坐標進行實時定位。本文研究了三個比較熱門的跟蹤算法，通過對它們的學習以及分析，對決策型跟蹤算法和匹配型跟蹤算法分別作了比較詳細的分析研究。決策型跟蹤算法對目標的突然運動、光照的變化具有一定的魯棒性，但是在遇到目標半遮擋或者完全遮擋的情況下，很容易丟失跟蹤目標。匹配型跟蹤算法一般對于目標的形變、旋轉(zhuǎn)以及遮擋具有一定的魯棒性，然而它一開始就假設了目標和背景的不同，

2、一旦出現(xiàn)和目標相似的背景，也容易出現(xiàn)跟蹤失敗，而且不能及時地應對光照的突然變化。通過對這兩種類型算法的分析研究后，再結(jié)合兩種類型算法的優(yōu)點進行一系列改進。
　　首先對基于模板匹配的目標跟蹤算法進行了研究，具體分為三個步驟，即模型建立，匹配跟蹤和模型更新。因為針對單一特征很難全面描述目標的信息以及使用直方圖對特征描述缺失空間信息的不足，提出一種融合多特征分布域的建模方法：通過對灰度值特征，紋理特征和邊緣特征進行分布域處理，得到聯(lián)合特

3、征分布域的組合特征，構(gòu)建目標模型，在新的幀中采用模型匹配的方式局部搜索到最適合的候選目標，來實現(xiàn)對目標的跟蹤。同時考慮到在目標模型中，通常存在同一特征聚集而形成的特征密集區(qū)，這些特征密集區(qū)在目標模型上的特有分布對區(qū)分目標與背景異常重要，所以在構(gòu)建目標模型時，對特征最聚集分布層乘以一個加權(quán)系數(shù)，突出相對聚集特征，旨在提高跟蹤精度。
　　為了結(jié)合多示例學習和Mean Shift這兩種類型的算法，需要通過一系列的優(yōu)化達到跟蹤標準。為了提

4、高多示例學習跟蹤方法中對目標檢測的準確度，來得到更加準確的目標初始位置，提出使用集成學習的思想，通過對示例隨機采樣，生成若干個強分類器，集成它們用于確定目標的位置。對于Mean Shift跟蹤算法，以結(jié)合顏色特征和紋理特征的聯(lián)合表示目標模型，利用每種特征的優(yōu)勢互補性構(gòu)建一個魯棒性的目標模型，提高跟蹤準確度。
　　針對如何對決策型算法和匹配型算法結(jié)合的問題上，先通過改進的多示例跟蹤對目標進行跟蹤，得到目標在新的一幀中的位置，然后通過