论文部分内容阅读
随着计算机技术的飞速发展以及视频采集设备的大规模应用,对于计算机视觉的研究也受到越来越多的关注。目标跟踪作为计算机视觉领域中的关键技术之一,被广泛地应用于视频监控、人机交互、医学诊断、精确制导等民用和军事的诸多领域。在目标跟踪技术的研究和发展过程中,涌现出了众多优秀的算法,并在应用中取得了良好的表现。然而要将算法应用于真实世界中实现复杂场景下的目标跟踪,依然还有很多需要解决的问题。根据理论研究和实际应用的需要,在对已有目标跟踪方法进行了深入分析和讨论的基础上,论文针对复杂环境下的目标跟踪中存在的难点问题,展开了以下内容的工作：(1)针对跟踪过程中目标发生遮挡以及形变的问题,提出了一种改进的基于局部模型的目标跟踪算法。算法以局部特征为基本元素,利用广义霍夫变换对局部特征的稳定性进行加权来构建目标模型。将稳定的局部特征作为前景,计算目标全局的颜色概率分布,再以此来调整局部模型,并对跟踪结果进行优化,减少跟踪误差。局部特征与全局特征相互约束和补充,共同完成在线更新,提高了局部模型的适应性和稳定性,增强了算法对遮挡和形变问题的处理能力。(2)对视频场景中的多目标跟踪问题进行了研究,并对主流的基于检测的多目标跟踪方法进行了分析。目前主流的通用目标检测算法在复杂场景下检测结果的准确率依然不够理想,容易出现误检和漏检,进而造成跟踪失败。针对这一问题,提出了一种基于通用检测器的多目标跟踪算法。算法采用基于方向梯度直方图的通用目标检测器,同时结合背景减除的方法对检测结果进行修正。之后采用中值光流和粒子滤波的方法利用上下文信息进行跟踪,将结果用于数据关联的优化,从而获得更稳定的跟踪结果。(3)针对高密度的群体目标运动情况,提出了一种基于光流聚类的群体运动模式分析方法。首先提取视频中每一帧的特征点,并利用光流法进行跟踪,得到光流信息。然后对一段时间内的光流信息进行统计,生成包含群体运动信息的光流场,并通过滤波去除噪声和无效的光流。之后采用基于密度的聚类方法对光流信息进行聚类分析,得出群体的运动模式,直观准确地反映群体目标的运动状态。最后进一步将群体运动模式作为先验信息,给出了一种结合运动模式的粒子滤波跟踪算法,验证了运动模式的有效性。(4)针对无约束运动目标的跟踪问题,对基于检测的目标跟踪方法进行了研究,提出了两种不同层次的融合跟踪算法。1)算法级别的融合：提出了一种采用多算法对检测结果进行约束和优化的层级式融合跟踪算法。方法采用模板匹配实现对稳定性的约束,采用光流跟踪实现对适应性的增强。通过这两种方法与在线自适应增强算法的融合,减少了漂移的影响,提高了跟踪效果。2)信息级别的融合：提出了一种基于霍夫随机蕨的多信息融合目标跟踪算法。采用局部图像块作为低层级特征,并采用随机蕨训练局部特征的检测器,利用检测结果对目标位置进行霍夫投票。通过图像分割生成超像素作为中层级特征,并以超像素为单位对颜色概率分布进行建模。利用颜色概率模型对检测器进行约束并对跟踪结果进行优化,提高检测器对目标外观变化的鲁棒性。算法将这两个基于不同特征的模型有机结合,融合了局部检测、位置估计和颜色概率分布三种信息,从而取得更准确的跟踪结果。论文受到国家自然科学基金“基于视频网络的群体行为分析与异常个体协同跟踪”(No.61173091)的支持。