TLD跟踪器匹配方法的研究及软件实现

摘要

跟踪-学习-检测(Tracking-Learning-Detection，TLD)是一种全新的视频目标跟踪方法。该方法在第一帧中给定目标后，系统根据选定的目标初始化跟踪器和检测器，然后对目标进行稳健的跟踪，有重要的研究价值和广阔的应用前景。 本文首先论述了课题的研究背景和意义，综述了国内外目标跟踪算法的研究现状，对TLD框架的工作过程进行了详细描述，对TLD中的跟踪模块、学习模块、检测模块和整合模块的功能以及用到的相关技术进行了分析。 本文重点研究了视频目标的匹配方法，对序贯相似性检测和归一化互相关匹配算法进行了改进，提出一种分为粗精两步的匹配方法。算法首先采用改进的序贯相似性算法进行粗匹配，之后再利用改进后的归一化互相关匹配法进一步提高匹配的精度。 本文在vs2008+opencv环境下实现了TLD跟踪系统，对采用原方法和新方法的系统进行了对比实验。实验表明，在匹配率、匹配速度和成功跟踪的帧数上，改进后的算法比原始TLD跟踪器本身的匹配算法更有效，更优越。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外目标跟踪算法研究现状

1．2．1 国外目标跟踪发展现状

1．2．2 国内目标跟踪发展现状

1．3 TLD跟踪算法的发展与优势

1．4 论文主要研究内容

第二章 TLD算法

2．1 TLD算法的主要模块

2．1．1 目标检测模块

2．1．2 目标跟踪模块

2．1．3 整合器模块

2．1．4 P-N学习模块

2．2 TLD跟踪器中的匹配算法

2．3 本章小结

第三章 图像匹配技术

3．1 图像匹配的数学理论基础

3．2 图像匹配算法概述

3．2．1 图像匹配算法的定义

3．2．2 图像匹配技术的分类及其评价方法

3．2．3 影响图像匹配的关键因素

3．3 几种常用的匹配技术

3．3．1 基于图像灰度的匹配方法

3．3．2 基于图像特征的匹配方法

3．3．3 基于最小二乘图像匹配方法

3．3．4 快速匹配方法

3．4 本章小结

第四章 归一化互相关匹配算法的改进

4．1 序贯相似性检测算法

4．1．1 相关算法介绍

4．1．2 改进的序贯相似性检测算法

4．1．3 粗匹配过程

4．2 改进的归一化互相关匹配算法

4．2．1 相关算法介绍

4．2．2 Sum-table的引入

4．2．3 精匹配过程

4．3 利用快速傅里叶计算NCC

4．3．1 预处理

4．3．2 算法介绍

4．3．3 算法实现

4．4 本文的SSDA-NCC与传统归一化互相关匹配算法的差别

4．5 本章小结

第五章 TLD跟踪器匹配算法的改进与实现

5．1 视频图像预处理

5．1．1 形态学图像处理

5．1．2 图像去噪处理

5．2 TLD跟踪器匹配算法的改进

5．3 实验环境说明

5．3．1 实验的软硬条件说明

5．3．2 文献中保守相似度的定义

5．4 不同的相似性度量法的实验对比分析

5．5 TLD跟踪器匹配算法的实现与分析

5．5．1 FFT方法的实验结果与分析

5．5．2 改进后的实验结果与分析

5．5．3 SSDA-NCC法与原始TLD算法对比分析

5．6 SSDA-NCC应用与TLD跟踪器的算法流程图

5．7 本章小结

第六章 结论和展望

6．1 结论

6．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者简介