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。

关 键 词： 目标跟踪 尺度变化规律 状态框架 算法 算法

领　　域： []