基于在线Boosting算法的目标跟踪研究

摘要

目标跟踪算法研究是计算机视觉研究中的重点和难点问题之一。目标跟踪的结果将对目标的运动分析与行为识别起到关键作用，可广泛应用到智能监控，人机交互，交通运输管理，医学图像处理等领域。经过多年的研究，跟踪算法已经取得了很大的进展。如何解决在自然场景下光照，阴影和外观变化等引起的跟踪错误问题仍然具有挑战性。基于在线Boosting学习的跟踪方法能够实时根据目标的变化调整目标函数，开启了自适应跟踪的新思路，但该方法面临由于逐步变化调整引起的错误积累导致的漂移问题。本文通过分析在线Boosting学习的原理和自然场景中目标变化的特点，提出了两种新的基于在线Boosting学习目标跟踪算法:
　　 第一种算法，针对在线Boosting目标跟踪算法在处理遮挡问题时经常发生重大的漂移问题，提出一种结合分块的在线Boosting目标跟踪算法。通过把目标划分成相互覆盖的多块，然后结合在线Boosting原理，使得在线Boosting算法选择器权重的变化仅在本块中传递，而不是全局传递，从而避免了错误在全局累积，进而避免了漂移问题产生。实验结果证明，把分块方法加到在线Boosting算法，可以避免原来产生重大漂移的现象，同时又能在自然场景下实现实时目标跟踪。
　　 第二种算法，针对在线Boosting目标跟踪算法用检测器经常检测不到目标问题，提出一种结合检测的在线Boosting目标跟踪算法。由于原来带有检测器的在线Boosting目标跟踪算法一般利用第一帧目标与背景进行训练，因此很难适应复杂场景目标的变化，所以训练固定的检测器很难检测到目标。本文提出采用跟踪得到的置信度较高的目标作为样本来训练检测器，使得更能自适应目标和背景的变化。实验结果证明，在保证实时的情况下，本文提出的算法大幅提高了在自然场景下的目标跟踪效果和跟踪率。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景和意义

1．2 目标跟踪研究的现状

1．3 本文研究的主要内容

1．4 本文的组织结构

第二章 在线Boosting算法理论研究

2．1 引言

2．2 在线Boosting算法理论

2．2．1 Boosting算法

2．2．2 在线Boosting算法

2．2．3 在线Boosting目标跟踪算法

2．2．4 半监督在线Boosting算法

2．3 本章小结

第三章 结合分块的在线Boosting目标跟踪算法

3．1 引言

3．2 基于在线Boosting目标跟踪存在的问题

3．3 结合分块的在线Boosting目标跟踪算法

3．3．1 基于分块的目标跟踪算法

3．3．2 改进分块的在线Boosting目标跟踪算法

3．4 实验与结果分析

3．5 本章小结

第四章 结合检测的在线Boosting目标跟踪算法

4．1 引言

4．2 目标跟踪检测学习算法

4．3 结合检测的在线Boosting目标跟踪学习算法

4．4 实验与结果分析

4．5 本章小结

第五章 总结与展望

5．1 本文研究工作的总结

5．1．1 工作总结

5．1．2 研究创新点

5．2 下一步工作的展望

参考文献

发表论文和科研情况说明

致谢