导 师: 狄红卫
授予学位: 硕士
作 者: ();
机构地区: 暨南大学
摘 要: 目标跟踪是机器视觉领域的研究热点,在民用和军用领域有着广泛的应用和广阔的前景。随着目标跟踪方法研究不断发展,针对各种应用场景的目标跟踪算法相继提出,但关于长时间快速目标跟踪算法研究还较对较少。本文结合TLD和KCF算法,对长时间快速目标跟踪算法进行了深入研究,主要工作如下: 通过分析TLD算法中目标在运动时尺度变化规律,提出了一种基于自适应尺度的目标跟踪算法AS-TLD。在成功跟踪目标时自适应地选取部分尺度的检测样本,从而大大降低了检测样本的数量,提高了算法的速度。 针对TLD算法检测区域、输入负样本数量需求条件等,提出了基于动态捕获区域的DC-TLD目标跟踪算法。采用前一帧目标位置作为当前帧目标位置的预测值,减小了目标位置的预测误差。研究了检测区域负样本出现需满足的条件,分析了检测区域大小对算法鲁棒性的影响。针对样本的访问方式,使用基于索引访问方法,极大地减少了访问时间。 针对KCF算法在长时间跟踪方面的不足,提出了基于状态框架的KCF-L目标跟踪算法。为解决目标跟丢后的目标再识别问题,引入快速检测模块,在目标跟丢时进行快速检测,在目标重新出现时可以有效地反馈目标信息。同时引入观测模块和边缘模块,通过模块间的相互切换,应对目标的不同运动状态。 实验结果表明,本文提出的算法能进行长间快速目标跟踪,一定程度上解决了严重遮挡、目标消失等问题。
领 域: []