论文部分内容阅读
目标跟踪是计算机视觉领域的重要研究问题，它可以广泛应用在公共场所监控、视频检索、人机交互、机器人智能、数码娱乐等多个领域。然而，如何实现持续鲁棒实时的目标跟踪，依然是颇具挑战的课题，它需要解决的问题包括：目标的遮挡形变、消失重现、相似物干扰、高速运动、光照变化、背景变化干扰、视频模糊、实时性要求等。本文介绍了视频目标跟踪和检测的研究和发展状况，着重介绍了光流跟踪方法、各类检测特征，基于随机森林的检测模型，以及分类器在线学习更新的算法，并在以下方面做了一些创新性工作：1.在经典的Lucas-Kanade光流跟踪算法上，对跟踪点的选取进行改进，并对错误跟踪的点判断机制进行优化，提出了一种新算法：基于双向角点光流判断机制的点跟踪算法。该算法能有效避免噪点，遮挡点，快速运动点对帧间跟踪的影响。2.在统计信息和Haar-like特征的基础上，提出了基于特征融合模板的目标检测策略，设计了基于特征融合模板的随机森林在线学习模型。该检测模型能够充分利用目标的局部特征和全局信息，更好地表征物体，从而能够快速检测到目标，指导目标跟踪。3.设计并实现了在多种复杂场景下进行长期鲁棒跟踪检测的监控系统。其关键技术包括：轨迹平滑性约束的在线位置预测，跟踪检测学习反馈的模型架构等。上述工作在多个有挑战的数据库上进行了系统的测试。实验结果表明，基于双向角点光流判断机制的点跟踪算法优于经典的Lucas-Kanade光流跟踪算法，更好地处理噪点、遮挡点和快速运动点的干扰误差；特征融合模板的在线学习检测模型能够处理消失重现，严重遮挡，光照变化等多种挑战复杂场景下的稳定持续跟踪任务；而具有轨迹平滑算法的监控系统，面向相似物干扰大，背景变化多的接力跟踪和多人跟踪应用均有不错的鲁棒性和时间效率性表现。