论文部分内容阅读
经过多年的研究和发展，在目标跟踪领域已经有很多较为成熟的算法。随着机器学习理论与实践的发展，采用带有自学习机制的跟踪算法得到了稳步的发展。这类基于在线学习的目标跟踪检测算法通常建立在一个可以在线更新的分类器来实现的，一般将跟踪问题看成前景目标和背景的二分类问题。其通常称为基于检测的目标跟踪。但由于深度信息的丢失，基于颜色图像的跟踪算法不能从根本上解决跟踪过程中的遮挡问题。同时，由于传统的深度摄像头价格昂贵且设备复杂，其很难满足目标跟踪的实时要求。而2010年微软公司推出了的Kinect深度摄像机可以实时同时采集场景中的深度信息和颜色信息，这为跟踪领域的研究提供了新的机遇。由于在线学习目标跟踪算法中的目标模型容易过度更新，这就造成跟踪性能不断下降，最终导致跟踪失败。为了解决这个，本论文主要研究基于在线半监督学习框架的目标跟踪算法，比较主流的是TLD，Semi-Boost Tracker，MILTracker。基于对这些算法的深度研究，本论文提出了两种基于在线半监督学习目标跟踪算法：1.基于MIL-BOOST在线半监督学习框架，提出了一种随机局部均值HASH分类器，实现了对目标稳定的跟踪，并且算法抗局部遮挡性效果明显。2.鉴于随机蕨并行集合分类器的研究，将随机蕨算法融入在线半监督学习框架，并提出了HOG-LBP特征描述方法，快速稳定对目标实行跟踪，尤其是人的跟踪。除此以外，本文介绍了深度图像的获取方法，以及深度图像的一些预处理过程例如摄像头校准以及深度图过滤。同时，本文详细介绍了深度图像的性质以及两种特征描述方法(HOD以及Haar-like)，提出了一种结合彩色图像和深度图像的特征描述方法(Combo-HOD-LBP)，并结合这些特征提出了一种特殊的基于半监督在线学习框架的目标跟踪算法。该算法基于深度信息和颜色信息的联合处理，融入了TLD，Semi-Boost以及多实例在线学习的思想，通过三个模块的彼此协作，实现了优异的跟踪性能。同时，算法基于目标深度直方图信息，提出了一种主动遮挡检测程序，保证在目标发生遮挡时，利用深度信息维持目标稳定的跟踪，同时避免由于错误标定更新检测算法。