基于圖像特征的目標(biāo)跟蹤方法.pdf

1、目標(biāo)跟蹤是計(jì)算機(jī)視覺的一個重要分支，它在視頻監(jiān)控、智能交通、人機(jī)交互、軍事偵察和機(jī)器人視覺導(dǎo)航等領(lǐng)域中已得到廣泛的應(yīng)用，其目的是通過一定的相似性度量和匹配搜索算法實(shí)現(xiàn)目標(biāo)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(biāo)跟蹤算法，但是在目標(biāo)跟蹤技術(shù)中仍然存在當(dāng)運(yùn)動目標(biāo)出現(xiàn)尺度變化、嚴(yán)重遮擋、旋轉(zhuǎn)和快速運(yùn)動等復(fù)雜情況而導(dǎo)致跟蹤性能變差的問題。因此，本文在現(xiàn)有研究的基礎(chǔ)上，將Mean Shift和SIFT算法結(jié)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(jié)合的目標(biāo)跟蹤方法。
　　首先，本文研究了目標(biāo)跟蹤中的經(jīng)典算法Mean Shift算法，而后研究了目標(biāo)跟蹤中較為熱門的Kalman濾波以及在目標(biāo)跟蹤中的應(yīng)用。由于Mean Shift算法在處理跟蹤時以目標(biāo)區(qū)域和候選目標(biāo)區(qū)域的顏色直方圖為基礎(chǔ)對其進(jìn)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(dāng)運(yùn)動目標(biāo)在跟蹤過程中出現(xiàn)較大尺度變化或者突然加速運(yùn)動時，僅僅采用Mean Shift算法無法有效地跟蹤上目標(biāo)。為了克服運(yùn)動目標(biāo)在發(fā)生快速運(yùn)動時能夠較好的跟蹤上目標(biāo)，本文還研究了將二者結(jié)合起來的目標(biāo)跟蹤方法。
　　其次，本文還概述了各種常用的點(diǎn)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(zhǔn)確的特征匹配。因此，本文還研究了基于SIFT特征的目標(biāo)跟蹤算法。該算法在一定程度上

4、可以應(yīng)對目標(biāo)因尺度變換、光照、部分遮擋和噪聲等對運(yùn)動目標(biāo)跟蹤的影響。但是當(dāng)運(yùn)動目標(biāo)出現(xiàn)嚴(yán)重遮擋或者候選目標(biāo)區(qū)域中檢測到的特征點(diǎn)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(biāo)的問題。因此，為了在這些復(fù)雜的情況下仍可得到較好的跟蹤結(jié)果，本文提出了一種將二者有效結(jié)合起來的目標(biāo)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(jié)合的目標(biāo)跟蹤方法。與傳統(tǒng)目標(biāo)跟蹤算法相比，該算法的優(yōu)點(diǎn)是首先，通過SIFT特征

5、匹配進(jìn)行初始定位，克服旋轉(zhuǎn)、縮放、遮擋等對目標(biāo)跟蹤的影響，然后利用Mean Shift精確定位，提高目標(biāo)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(jì)算目標(biāo)的遮擋因子來確定目標(biāo)的跟蹤模式，如果遮擋因子大于閾值則進(jìn)入遮擋跟蹤模式，否則對模板和特征庫進(jìn)行更新，進(jìn)入下一幀的跟蹤。實(shí)驗(yàn)結(jié)果表明，該方法對目標(biāo)的遮擋、快速運(yùn)動及尺度變化等均具有較強(qiáng)的跟蹤適應(yīng)性。