论文部分内容阅读
视频目标跟踪是计算机视觉领域一个重要研究内容,其任务是定位目标的位置、生成目标的运动轨迹。然而，受噪声和背景干扰、外观变化、遮挡等诸多因素影响，复杂场景下的运动目标跟踪颇具挑战性。
本文研究了两类目标跟踪方法：基于视觉跟踪技术的单目标跟踪、基于检测的多目标跟踪，前者通过在视频起始帧框选出待跟踪目标，利用目标的外观颜色、轮廓、运动等信息对目标进行表达，再结合滤波算法对目标进行跟踪；后者则以目标检测器输出的检测响应为输入，通过数据关联技术将属于同一目标的检测响应逐帧关联，生成各目标轨迹。主要创新工作如下：
（1）对基于颜色直方图的粒子滤波跟踪算法进行了研究，针对该算法缺乏遮挡处理机制的问题，提出了一种改进方案，通过图像分块判断遮挡区域和有效的目标区域，在有效区域内进行目标模板和候选模板的相似性匹配，提高目标状态估计的精确性。实验结果表明：在部分遮挡条件下，与基本粒子滤波跟踪算法相比，引入遮挡处理机制的改进算法跟踪性能和鲁棒性都有显著的提升。
（2）针对多目标跟踪中目标间遮挡和目标身份混淆的问题，提出了一种基于分层在线学习判别性外观模型的跟踪算法。采用双层关联框架：第一层首先通过初级关联生成短小可靠的轨迹片，利用目标轨迹时空域约束条件从中提取训练样本，采用Adaboost算法在线生成目标外观的判别性模型，计算轨迹片之间的外观相似度；最后采用匈牙利算法，经过多次迭代得到每个目标的初层轨迹。第二层则针对易混淆轨迹片对提取样本及特征，采用Adaboost在线学习生成其特定的判别性模型，并结合易混淆轨迹片的运动信息，对易混淆轨迹片对做迭代关联，最终生成完整的轨迹。实验结果表明本文算法能较好的处理目标间的频繁遮挡、目标身份混淆问题，在复杂场景下能够较好的完成多目标跟踪任务。
本文研究了两类目标跟踪方法：基于视觉跟踪技术的单目标跟踪、基于检测的多目标跟踪，前者通过在视频起始帧框选出待跟踪目标，利用目标的外观颜色、轮廓、运动等信息对目标进行表达，再结合滤波算法对目标进行跟踪；后者则以目标检测器输出的检测响应为输入，通过数据关联技术将属于同一目标的检测响应逐帧关联，生成各目标轨迹。主要创新工作如下：
（1）对基于颜色直方图的粒子滤波跟踪算法进行了研究，针对该算法缺乏遮挡处理机制的问题，提出了一种改进方案，通过图像分块判断遮挡区域和有效的目标区域，在有效区域内进行目标模板和候选模板的相似性匹配，提高目标状态估计的精确性。实验结果表明：在部分遮挡条件下，与基本粒子滤波跟踪算法相比，引入遮挡处理机制的改进算法跟踪性能和鲁棒性都有显著的提升。
（2）针对多目标跟踪中目标间遮挡和目标身份混淆的问题，提出了一种基于分层在线学习判别性外观模型的跟踪算法。采用双层关联框架：第一层首先通过初级关联生成短小可靠的轨迹片，利用目标轨迹时空域约束条件从中提取训练样本，采用Adaboost算法在线生成目标外观的判别性模型，计算轨迹片之间的外观相似度；最后采用匈牙利算法，经过多次迭代得到每个目标的初层轨迹。第二层则针对易混淆轨迹片对提取样本及特征，采用Adaboost在线学习生成其特定的判别性模型，并结合易混淆轨迹片的运动信息，对易混淆轨迹片对做迭代关联，最终生成完整的轨迹。实验结果表明本文算法能较好的处理目标间的频繁遮挡、目标身份混淆问题，在复杂场景下能够较好的完成多目标跟踪任务。