论文部分内容阅读
视频目标跟踪,尤其是针对动态背景的视频跟踪,因其广受应用,越来越受到研究人员的关注。尽管视频目标跟踪技术近儿年不断在进步,在某些摄像头固定不动的固定背景的静态环境’下也有不少鲁棒算法,但动态背景下的目标跟踪问题并末完全解决。视频跟踪的场景通常较复杂,光照变化、遮挡存在、目标自身的变形、旋转都给特征提取带来困难,导致跟踪错误。论文在研究近几年跟踪算法的基础上,对动态背景下目标跟踪进行了一定的研究,主要包括以下内容:1针对动态场景下的目标跟踪,提出了基于尺度不变特征变换(S cale Invariant Feature Transform, SIFT)特征和修正的背景加权直方图(Corrected Background-Weighted Histogram, CBWH)特征的卡尔曼跟踪目标方法。利用卡尔曼滤波器预测出目标的大概位置,在所在位置的区域内提取SIFT特征点,与前一帧和第一帧进行特征匹配,并投票获得候选目标位置;利用CRWH特征获得目标可能位置,将三者位置加权对卡尔曼滤波器预测值进行修正,得到目标位置。实验表明,所提算法具有较高的跟踪准确性,对目标遮挡、视频目标角度变化具有较好的鲁棒性。2结合协方差矩阵对目标外观变化的鲁棒性及粒子滤波处理非高斯情况下的优势,提出了基于协方差矩阵与粒子滤波的目标跟踪算法。结合LK光流法的跟踪结果进行粒子采样,计算粒子的感知哈希序列,去除与目标感知哈希序列距离大的部分粒子,计算剩余粒子的整体、分块及背景对数协方差,然后计算对应的子空间重构误差,得到粒子权值,权值最高者作为当前帧目标。实验表明,所提算法能准确跟踪目标,对视频中存在的背景杂波、运动模糊等现象具有较好的鲁棒性。3将本文的两个算法与其他多个优秀算法进行空域鲁棒性评估、时域鲁棒性评估、一次遍历评估。实验表明,本文两个算法跟踪目标准确性较高,第一个算法适合处理存在面外旋转、目标变形、遮挡的视频,第二个算法适合处理存在运动模糊、快速运动、面内旋转、背景杂波的视频。