基于視覺的目標(biāo)跟蹤關(guān)鍵技術(shù)研究.pdf

1、可視化目標(biāo)跟蹤是計算機視覺領(lǐng)域中一個重要的研究方向，其主要目標(biāo)就是估計出視頻圖像序列中目標(biāo)運動的軌跡。其研究涉及到計算機圖像處理、模式識別、人工智能及自動控制等諸多相關(guān)領(lǐng)域，已得到世界各國研究者、政府和商家的重視，具有廣闊的應(yīng)用前景和研究價值。
　　另一方面，雖然經(jīng)過多年的研究，現(xiàn)有的目標(biāo)跟蹤技術(shù)仍然面臨著諸多挑戰(zhàn):遮擋、目標(biāo)外觀變化、目標(biāo)間的頻繁交互、環(huán)境的光照變化等。本文在對單目標(biāo)跟蹤和多目標(biāo)跟蹤已有工作深入調(diào)研的基礎(chǔ)上，深入

2、探索了目標(biāo)檢測、多特征自適應(yīng)融合、模板更新、在線學(xué)習(xí)目標(biāo)模型、目標(biāo)軌跡的優(yōu)化關(guān)聯(lián)等關(guān)鍵技術(shù)，提出了應(yīng)對挑戰(zhàn)的解決方法。主要研究內(nèi)容如下:
　　提出一種基于梯度統(tǒng)計信息的GMM（Guassian mixture model）背景抽取算法。該算法針對傳統(tǒng)的混合高斯模型在背景建模時存在對光照變化敏感、難以檢測運動緩慢或靜止目標(biāo)的問題，將局部圖像區(qū)域的梯度統(tǒng)計信息融合到GMM模型中，實現(xiàn)了模型對光照變化的魯棒性;為了更有效地實現(xiàn)背景建模，

3、提出了一種基于分裂EM算法的模型參數(shù)估計方法;并在模型更新時采用了自適應(yīng)學(xué)習(xí)率的方法，解決了運動緩慢或靜止目標(biāo)檢測問題。實驗表明該方法有效地提高了檢測率和魯棒性。
　　對單目標(biāo)跟蹤的關(guān)鍵技術(shù)進行研究，提出了一種基于分塊的多特征自適應(yīng)融合的目標(biāo)跟蹤方法。該算法將模板與候選目標(biāo)進行分塊，用顏色和CS-LBP特征對每塊進行描述并進行特征自適應(yīng)權(quán)值融合，從而實現(xiàn)了在不同情況下自動調(diào)整不同特征對整個目標(biāo)跟蹤的貢獻;同時在目標(biāo)跟蹤過程中，給出

4、一種部分更新模板的方法，能根據(jù)是否遮擋或外觀變化來調(diào)整模板更新策略，較好地解決了在復(fù)雜背景下的光照、遮擋和外觀變化的目標(biāo)跟蹤問題。
　　針對多目標(biāo)跟蹤過程中目標(biāo)模型的區(qū)分性問題和目標(biāo)關(guān)聯(lián)的準(zhǔn)確性及優(yōu)化問題，提出了一種基于在線學(xué)習(xí)目標(biāo)模型與逐層軌跡片段關(guān)聯(lián)的多目標(biāo)跟蹤算法。該算法首先在目標(biāo)檢測的基礎(chǔ)上，對檢測出的響應(yīng)用位置、大小、顏色進行描述，采用雙閾值策略，將相鄰兩幀的同一目標(biāo)相連，形成可靠的目標(biāo)軌跡片段，然后采用在線學(xué)習(xí)的方式對