论文部分内容阅读
目标跟踪是计算机视觉领域的研究分支，占有非常重要的地位。基于on-line boosting的目标跟踪算法逐渐引起了众多研究者的关注，其在分类器的精度、算法收敛性、对真实问题的拟合性等方面具有其它机器学习算法不可比拟的优势。 On-line boosting算法是一种自学习的过程，将上一帧的跟踪窗口当作新的正样本，所以当目标发生遮挡时，目标特征的每次变换可能引入少量错误，长时间执行后，被遮挡的正样本易导致特征池中的误差累积，进而导致跟踪位置的漂移；概率存在场(POM)算法融合多个视角的二值前景图像在3D场景中检测目标的位置。从充分利用特征选择优势和多视角能较好处理遮挡问题的角度出发，本文针对上述问题提出了结合多尺度HOG特征的on-line boosting目标跟踪算法和基于POM的多摄像头目标跟踪算法，并最终将两者结合，形成较为系统的在线集群学习框架下的多摄像头目标跟踪系统。主要开展了以下三个方面的研究： (1)在多摄像头方面，针对前景检测结果对 POM算法的性能具有直接影响的问题，利用目前应用较广泛的四种前景检测方法：帧间差分法、滑动平均背景建模法、混合高斯背景建模法（GMM）、视觉背景抽取算法（ViBe）改进算法，来研究前景检测对POM跟踪系统的影响。通过测试这四种前景检测算法在单目标、多目标存在复杂运动以及相似目标干扰等情况下的POM系统性能，来选择性能最优的前景检测算法。实验结果表明，基于形态学改进 ViBe算法的 POM目标跟踪系统性能较其他三种前景检测性能更佳。 (2)在特征选择优势方面，针对原HOG特征只能表示目标框局部特征的问题，通过随机选取block的尺度、位置和长宽比例作为计算HOG的特征模板，建立多尺度HOG特征池来表征目标框的所有特征，包括局部特征和全局特征；且每个block只包含4个cell，极大提高了计算效率。通过将多尺度HOG特征与原HOG特征，较主流的基于颜色的Haar特征进行对比试验，验证了基于多尺度HOG的on-line boosting的优越性。 (3)针对复杂场景中存在的光照变化、尺度变化大时造成的跟踪漂移问题，提出了结合基于形态学改进ViBe的POM算法与多尺度HOG特征的on-line boosting算法。采用基于形态改进ViBe算法作为前景检测算法，利用 POM算法计算出跟踪场景中被遮挡的目标，以此作为正样本来重新建立on-line boosting算法的目标搜索过程。该方法更新了搜索区域，从而避免了因被遮挡的正样本而导致的特征池误差累积，保证了跟踪的鲁棒性。结合后的算法能够克服基于多尺度HOG特征的on-line boosting算法在面对目标大尺度变化，部分遮挡或完全遮挡造成跟踪丢失的问题，而且跟踪结果更加准确、更加稳定。通过对复杂场景下的特定目标进行实验，验证了上述算法的优越性。 本文算法成功解决了on-line Boosting算法因存在严重遮挡而产生漂移问题，同时该方法将多摄像头引入在线集群学习框架，为扩展在线集群学习方法提供了新思路。