利用密集特征进行目标自适应跟踪算法研究

摘要

目标跟踪技术是计算机视觉领域中的一个重要的研究方向，其中在图片序列中对目标进行准确的定位，以及准确估算目标大小和方位是其中的难点，在此同时，跟踪的实时性也是考量跟踪效果好坏的一种重要因素。Mean-shift跟踪算法具有简单且高效的特性，使其得到广泛的应用。
　　目的：但当前大多数基于Mean-shift的跟踪算法都忽视了目标中密集的特征信息，本文提出密集特征，并有效利用密集特征信息，来能提高跟踪的准确性。
　　方法：在目标模型中，常存在一些颜色特征相对聚集，形成一定大小的特征密集区，这些区域的面积或大或小，对人眼视觉跟踪异常重要。这些区域形成的空间结构信息，可以被利用到目标跟踪。本文提出一种高效的目标模型，通过计算密集特征区域面积，以及密集区质心到目标中心的距离，构建加权系数，通过该系数，来增加目标中分布相对集中的特征的权值，同时削弱离散特征的权值。同时使用零阶矩和目标模型与候选模型之间的相似度系数，估算目标的面积；再使用预测目标面积补偿法，对目标中因使用背景加权法而权重被削弱的特征区域，进行面积补偿；最后使用估算的目标区域面积以及二阶中心距，估算目标尺度和方向的改变。在跟踪过程中，背景如发生较大变化，则对目标模型进行更新。
　　结果：实验结果表明提出的算法具有很好的尺度适应性，跟踪平均准确率在94.6％以上，得到较当前一些先进方法更好的准确度和效率。
　　分析：提出的算法能增加目标模型中不同特征权值间的差异，使得构建的目标模型具有较强区分目标和背景的能力，提高了定位目标的准确性；同时，本文提出的面积补偿法解决了目标因特征权重被削弱，而导致估算的目标面积小于实际面积的问题。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1 论文的研究背景和意义

1.2 目标跟踪的现状

1.3论文的研究内容

1.4论文的组织结构

第二章目标跟踪研究综述

2.1 跟踪对象的表示

2.2 特征的选取

2.2 目标检测

2.3 目标跟踪

第三章 利用密集特征进行目标跟踪的方法

3.1 基于Mean-shift的目标跟踪算法

3.2 修正背景加权值方图

3.3密集特征

3.4 数据集及设置

3.5 实验与分析

3.6本章小结

第四章 基于密集特征的目标自适应跟踪算法

4.1 SOAMST目标自适应

4.2 目标预测面积补偿

4.3目标模型的更新

4.4 实验结果及分析

4.5本章小结

第五章 结 论

参考文献

致谢

攻读学位期间的研究成果