论文部分内容阅读
目前目标跟踪是计算机视觉领域研究热点,被广泛应用于动态视频监测、无人机侦测、智能检测和虚拟现实等方方面面,其本质就是在一段连续的视频图像中准确定位目标的位置。虽然目前国内外对于目标跟踪研究取得了很大进展,但由于诸如遮挡,光照变化和尺度变化等诸多不确定因素的存在,使得目标的跟踪仍然是一个具有挑战性和值得深入研究的课题。目前目标跟踪方法在跟踪目标时候会考虑目标框中整体信息,但是被跟踪目标外形具有多变性,可能包含背景信息,导致跟踪方法鲁棒性和精准度不高的问题。本论文利用被跟踪目标的局部结构,并将跟踪目标看成块粒子。在利用序列蒙特卡罗方法下,构建块粒子置信函数和运动相似性函数,通过权重投票计算跟踪目标最佳位置。并基于HOG特征是图像的局部特征,对目标细微形变、光照变化等有较好的适应能力,但是如果目标发生较大的形变和遮挡时,会发生错误跟踪或漏跟;人类主要依靠颜色识别图像,颜色特征是基于像素点的一种全局特征,对目标旋转、平移和尺度变化不敏感,而颜色特征不能很好描述目标的局部特征且无法适应光照变化的问题。为此,本文中将这两种特征融合起来描述目标模型特征,在获得目标全局特征的同时,也可以获取目标局部特征,提高了目标检测的准确度。因此我们采用基于HOG特征和颜色特征的多特征线性融合的方法进行目标跟踪。实验表明,在12组公开的测试视频序列上进行跟踪实验,与多种优秀目标跟踪算法相比,本文的跟踪算法在目标重叠率达到了0.67且取得了最低的平均跟踪误差14.83,该算法可以稳定、准确地进行目标跟踪,并且该算法有较好的鲁棒性。