论文部分内容阅读
近些年，随着智能交通、平安城市等一系列智能化概念的提出，智能视频监控技术受到了研究人员的广泛关注。智能视频监控主要是从视频序列中检测、跟踪和识别出感兴趣的目标，然后对目标行为进行分析、理解，最终达到描述、监视目标的目的。目标跟踪技术是智能视频监控的重要组成部分，但在实际情况中，运动目标经常会出现姿势变化、尺度变化、相互遮挡等现象，成为了准确跟踪目标亟待解决的难题。 本文主要针对静止单摄像机的目标跟踪算法，为了解决实际监控项目中因为目标遮挡、外观变化而引起的目标跟踪丢失问题，重点研究了粒子滤波、在线随机森林等跟踪算法，提出了更加鲁棒的目标跟踪算法。本文的主要研究内容和创新点包括: (1)改进原有的HSV颜色直方图特征和LBP纹理特征提取方法，得到46维的颜色纹理直方图统计特征。此方法融合了颜色和纹理特征，能够较好地描述目标，同时降低了特征维度，使算法速度更快。 (2)提出了一种基于粒子滤波和在线随机森林的目标跟踪算法。通过分析粒子滤波跟踪过程中产生漂移现象的原因，将在线随机森林算法与之相结合，提出了一种新的目标跟踪算法。利用粒子滤波算法预测目标位置，通过在线随机森林来对各个粒子进行分类，从而得到每个粒子的权重，确定目标的当前位置，新的目标作为正样本，权重小的粒子作为部分负样本，在线更新随机森林。本算法改进了粒子滤波中相似性度量的方法，使跟踪更加准确。 (3)将一般物体检测算法与上述目标跟踪算法相结合，进一步改进了提出的基于粒子滤波与在线随机森林的目标跟踪算法。当要跟踪的目标快丢失时，利用一般物体检测算法找出图像中的物体，然后用随机森林分类器确定目标的位置，用新的目标校正粒子的位置和在线更新随机森林分类器，保证目标被准确跟踪。 在不同场景的视频数据集上进行测试，实验结果表明本文提出的目标跟踪算法，在姿势变化、遮挡、背景复杂等情况下可以实时准确地跟踪目标。与粒子滤波、在线随机森林等其他目标跟踪算法相比，本文提出的算法具有更好的跟踪效果。