行人跟蹤算法研究.pdf

1、目標(biāo)跟蹤是在給定視頻的連續(xù)幀中找出目標(biāo)并進(jìn)行持續(xù)跟蹤。本文針對(duì)目標(biāo)跟蹤中最有現(xiàn)實(shí)研究意義及應(yīng)用價(jià)值的行人跟蹤展開研究。通常，目標(biāo)跟蹤算法大致可以分為基于檢測(cè)的跟蹤和基于預(yù)測(cè)的跟蹤，但其中任意一種算法都有各自的缺陷和不足，不具備普適性。例如，基于檢測(cè)的算法往往容易受到遮擋、形變等影響；基于預(yù)測(cè)的跟蹤算法在跟蹤的過程中容易產(chǎn)生預(yù)測(cè)目標(biāo)與真實(shí)目標(biāo)之間的誤差，并且這種誤差會(huì)隨著時(shí)間累積，使得跟蹤效果隨時(shí)間變差。另一方面，傳統(tǒng)行人描述特征大多來自

2、專家的精心設(shè)計(jì)，但這些人工設(shè)計(jì)的特征都是屬于淺層特征，對(duì)目標(biāo)的描述能力有限。本文針對(duì)以上兩個(gè)方面的問題本文提出相應(yīng)的行人跟蹤算法，主要的研究?jī)?nèi)容及創(chuàng)新貢獻(xiàn)如下：
　?、偬岢鲠槍?duì)行人跟蹤的TLD算法改進(jìn)。TLD算法提出將跟蹤、學(xué)習(xí)和檢測(cè)三個(gè)模塊進(jìn)行組合，通過檢測(cè)器的檢測(cè)結(jié)果糾正跟蹤器誤差，同時(shí)通過在線學(xué)習(xí)模塊產(chǎn)生的正負(fù)樣本進(jìn)行在線學(xué)習(xí)以更新檢測(cè)器，提高檢測(cè)精準(zhǔn)度。TLD算法針對(duì)長(zhǎng)時(shí)間的單目標(biāo)跟蹤表現(xiàn)出了良好的跟蹤效果。TLD算法中的

3、檢測(cè)模塊通過固定順序級(jí)聯(lián)三個(gè)分類器來對(duì)目標(biāo)進(jìn)行檢測(cè)，不能很好的適應(yīng)目標(biāo)外觀的變化，而影響檢測(cè)的精準(zhǔn)度。本文提出采用在線AdaBoost算法動(dòng)態(tài)選擇分類效果最好的特征組成強(qiáng)分類器對(duì)目標(biāo)進(jìn)行檢測(cè)。實(shí)驗(yàn)表明本文提出的算法有效地適應(yīng)目標(biāo)外觀的改變，提高了檢測(cè)精準(zhǔn)度，同時(shí)保持了TLD算法的長(zhǎng)時(shí)間跟蹤的魯棒性。
　?、谔岢龌谏疃染矸e神經(jīng)網(wǎng)絡(luò)模型的行人跟蹤。深度卷積神經(jīng)網(wǎng)絡(luò)針對(duì)圖像能夠抽取出對(duì)目標(biāo)具有很強(qiáng)表征能力的特征，解決了專家設(shè)計(jì)特征描述