论文部分内容阅读
在科技高速发展的今天,各类机器都向着智能化的方向发展,而计算机视觉作为智能设备的一门关键学科也得到了快速的发展。目标跟踪作为其中的组成部分,目前适用于智能监控、生物识别以及军事勘测等领域。目标跟踪主要是选取恰当的跟踪算法对视频帧中静止或者运动的目标进行跟踪,在这个过程中,背景可能会发生变化,目标物体本身也可能会发生一些形变,如何处理这些变化正是跟踪算法的关键所在。目前,国内外已经有许多研究机构在研究目标跟踪技术,并不断涌现出众多优秀的跟踪算法。时空上下文(Spatio-Temporal Context,STC)跟踪算法,利用了目标周围的上下文来预测目标位置,使算法能够应对外界场景变化以及目标部分遮挡,提升了算法的鲁棒性。同时,利用了快速傅里叶变换,使算法速度性能良好。但是,在目标被完全遮挡时,算法会出现跟踪目标丢失的现象。目标再次出现时,算法由于没有检测功能,也不能检测到目标。为了解决算法的这一缺陷,本文提出了一种基于卡尔曼滤波的时空上下文(via Kalman Filter Spatio-Temporal Context,KSTC)视觉跟踪算法。本文算法的主要跟踪流程:首先,分别计算出当前帧和模板图像的红绿蓝(Red、Green、Blue,RGB)颜色直方图。RGB颜色直方图包含了运动物体的颜色特征,而这在物体运动过程中基本保持不变,所以相对能得到更为准确的结果。然后,利用两个样本的RGB颜色直方图来计算它们之间巴氏系数,用相似度衡量标准来判断遮挡的发生。如果巴氏系数小于提前选定的阈值,目标与模板不相似,则判定目标发生全局遮挡,使用卡尔曼滤波来预测目标跟踪结果;否则,继续使用STC算法跟踪目标位置。通过大量实验表明,本文算法将测试序列的跟踪成功率提高到80%以上,同时中心位置误差也小于原STC算法以及其他的一些先进算法。同时,KSTC算法的运行速度只减少了很小的幅度,保留了STC算法高速率的优势,具有一定的高效性和实时性。本文提出的KSTC跟踪算法既保留了STC算法应对复杂场景例如光照以及阴影变化、突然运动、尺度变化等的优势,同时具备了很好的抗遮挡能力,尤其对全局遮挡的情况适应良好,提升了STC算法的准确率以及鲁棒性。