论文部分内容阅读
视频中运动目标检测与跟踪在军用和生活领域有广泛的应用,成为近年来计算机视觉领域的热点研究问题。由于视频中含有大量复杂信息,包括目标背景复杂多变、光照、遮挡等问题的存在,以及视频目标呈现的复杂外观,视频目标跟踪距离实际的应用还有很多问题需要解决。迫切需要探索一种准确而鲁棒的对视频中的运动目标进行跟踪定位的算法。为了提高跟踪的精度,本文将支持向量机应用于视频跟踪中,采用分类方法解决跟踪问题,实现高精度的视频目标跟踪任务。主要在如下几个方面做了重点研究。视频跟踪中,为了提高跟踪的精度,本文对视频目标检测采用前景和背景的两类别分类问题来解决,采用支持向量机(support vector machine,SVM)构建前景和背景的分类界面,完成目标跟踪。其中,为了提高跟踪的精度,将每个像素的特征描述作为样本提供给分类器;为了适应跟踪场景的复杂变化,对视频跟踪中SVM的在线更新方法进行了研究,设计在线更新SVM的跟踪框架。对于目标复杂多变的外观带来的跟踪难题,为了提高跟踪算法对复杂的跟踪场景的鲁棒性,本文采用多特征融合的目标外观表示方法。分别提取目标的颜色、纹理和边缘信息,并将其进行加权融合,建立多特征融合的目标特征提取方法。将这种多特征融合方式应用于分类器的样本描述,提供给分类器。实验结果表明这种多特征融合的样本描述方法提高了跟踪精度。对于提出的视频跟踪定位方法,本文在大量视频上对分别采用颜色、纹理、边缘等特征跟踪的方法,以及本文的方法进行了对比分析。为了验证提出跟踪策略的精度,将其与粒子滤波器进行的跟踪对比。对于上述方法,分别在各种复杂的视频图像序列上进行了测试。实验结果表明,提出的跟踪策略对于复杂场景、外观多变的视频目标具有很好的跟踪效果。