基于局部块样本和偏移可信度投票的目标跟踪

摘要

因为目标跟踪在许多应用中有着非常重要的作用，它在计算机视觉中得到广泛研究，例如自动监控，视频检索，交通监控，图像采集和人机交互等等。
　　在目标追踪领域，基于在线学习的检测器追踪方法获得了很好的效果。但是，大多数方法都局限于以仿射变换的方法调整跟踪框尺寸来表示目标的缩放变化，无法滤除遮挡物，而且不能处理目标被完全遮挡或消失的场景。
　　为了解决这些问题，本文提出一种基于局部块样本的检测器跟踪算法。该算法结合ferns分类器的在线学习方法和局部块样本定位策略来跟踪目标，采用偏移可信度投票检测出目标的模糊位置，并以重采样策略弥补投票检测方法的缺陷，校正目标中心，缩放定位框尺寸，滤除背景噪声和遮挡物。该算法中建立了一种新的目标可信度评估标准，以此优化在线学习方法，降低噪声样本的负面影响，减小误差累积，并通过目标可信度判断跟踪状态，使跟踪器能够适应目标被完全遮挡或消失的场景。
　　本文采用复杂环境下的视频序列进行实验，并与其它先进算法做对比。结果表明，该算法实现了对于部分遮挡、完全遮挡、消失、形变和旋转等各种复杂场景下刚性目标和非刚性目标的有效跟踪，同时完成目标定位框大小的自适应变化和目标可视区域的准确定位，具有良好的准确性和鲁棒性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景及意义

1.2主要目标跟踪方法

1.3基于检测学习的目标跟踪算法

1.4本文的主要研究内容

第二章 随机森林和ferns森林

2.1决策树

2.2随机森林

2.3 ferns分类器

2.4本章小结

第三章 偏移可信度投票检测方法

3.1传统的目标检测方法

3.2根据偏移可信度投票，预测目标中心

3.3本章小结

第四章 重采样优选样本

4.1目标可视区域

4.2检测集中正样本的评判标准

4.3重采样重新选择正样本

4.4本章小结

第五章 根据目标可信度优化在线学习

5.1在线学习

5.2目标可信度判别

5.3以目标可信度调整保留因子

5.4本章小结

第六章 实验分析

6.1视频序列

6.2对比算法

6.3实验环境

6.4实验结果

6.5本章小结

第七章 总结与展望

参考文献

附录1 攻读硕士学位期间撰写的论文

致谢