基于分塊模型和在線(xiàn)學(xué)習(xí)的目標(biāo)跟蹤.pdf

1、在許多領(lǐng)域,對(duì)視頻圖像序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)與跟蹤都有著重要的應(yīng)用,如智能交通系統(tǒng)、醫(yī)療診斷、遙感控制、人機(jī)交互等。而非剛體目標(biāo)跟蹤在外觀形態(tài)和內(nèi)在結(jié)構(gòu)等方面有著不確定性和復(fù)雜性,如何提高算法在非剛體目標(biāo)跟蹤過(guò)程中的魯棒性和自適應(yīng)性是研究者們面臨的一大問(wèn)題,如何對(duì)暫時(shí)消失又出現(xiàn)的運(yùn)動(dòng)目標(biāo)保持良好的跟蹤效果又是一大問(wèn)題。
　　本文主要研究了TLD(Tracking-Learning-Detection)算法和基于分塊動(dòng)態(tài)外觀模型與

2、自適應(yīng)能量谷跳躍蒙特卡羅思想的跟蹤算法。TLD算法采用學(xué)習(xí)模塊將跟蹤器、檢測(cè)器結(jié)合起來(lái),對(duì)外觀形態(tài)變化較小、從視野中暫時(shí)消失又出現(xiàn)的目標(biāo)有理想的跟蹤效果,但不適用于姿態(tài)變化較大的非剛體目標(biāo)跟蹤?；诜謮K模型的改進(jìn)粒子濾波算法對(duì)非剛體目標(biāo)有實(shí)時(shí)跟蹤結(jié)果,但當(dāng)目標(biāo)消失又出現(xiàn)時(shí),由于粒子濾波算法沒(méi)有在線(xiàn)學(xué)習(xí)能力,所以無(wú)法再跟蹤上目標(biāo)。
　　本文在以上兩種算法的基礎(chǔ)上給予改進(jìn),在分塊動(dòng)態(tài)外觀模型的框架下對(duì)小分塊進(jìn)行多線(xiàn)程 TLD算法跟蹤,

3、提出基于海森矩陣條件數(shù)的小分塊初始化方法,同時(shí)加入分塊在線(xiàn)學(xué)習(xí)檢測(cè)思想,并且根據(jù)小分塊的跟蹤結(jié)果提出了一套小分塊的退化更新方法和目標(biāo)還原策略,對(duì)小分塊進(jìn)行在線(xiàn)評(píng)估和修改,最終由符合要求的小分塊還原出目標(biāo)位置。
　　實(shí)驗(yàn)表明,本文算法對(duì)速度變化不等的剛體目標(biāo)都有很好的跟蹤效果,對(duì)外觀姿態(tài)變化較大的非剛體目標(biāo),其跟蹤效果要遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng) TLD算法,且當(dāng)目標(biāo)在視野內(nèi)消失又出現(xiàn)時(shí),本文算法比基于分塊模型的改進(jìn)粒子濾波算法有更好的魯棒性和可