基于多特征融合的视觉目标跟踪研究

摘要

视觉目标跟踪技术目前被广泛应用于各个行业，如智能交通、医学检测、军事领域、场景监控等。目标跟踪系统主要包括目标检测和目标跟踪两个部分。本文针对这两个部分进行了相应的研究，重点研究了基于多特征融合的目标检测技术。
　　基于多特征融合的目标检测技术近年来引起众多研究学者的关注，如基于线性判别分析(LDA)的特征融合目标检测、基于集成分类的目标检测。该类方法的关键是特征选择和分类器的训练。
　　基于线性判别分析的特征融合目标检测方法，是以Fisher准则为依据，对各个特征分类结果加权融合，并在跟踪过程中不断更新各特征权重。首先针对不同特点的视频序列选取合适的特征，然后根据每个特征对目标和背景分类能力的不同，利用线性判别分析准则计算特征权重，对各特征的映射似然图加权融合，得到融合似然图，再计算得到累积似然图，即目标响应图。根据累计似然图给出目标的检测结果。并在跟踪过程中，对各特征的映射曲线和权重做增量式更新，实现对目标的准确检测。
　　基于集成分类的目标检测算法的优点是动态使用特征与特征组合，无需人为干预及参数设定。Boosting算法是较常用的一种集成分类算法，而AdaBoost算法又是Boosting算法最具代表性的应用。AdaBoost算法赋予被错分的样本更高的权重，在不断训练中得到分类效果最佳的强分类器。本文采用的基于半监督的协同训练集成分类算法是在集成分类算法的基础上，采用RealAdaBoost算法分别训练两组分类器，两个分类器对彼此的分类结果相互标记，以得到鲁棒性的跟踪结果，提高跟踪器的泛化性能。
　　由目标检测算法得到目标可能的位置，交由目标跟踪算法部分进行估计，最终得到准确的目标位置。本文主要介绍基于卡尔曼滤波的目标状态估计。将目标检测算法和目标估计算法结合起来，便形成完整的目标跟踪系统。