基于級聯(lián)分類器的跟蹤算法研究.pdf

1、基于圖像序列的目標跟蹤算法是計算機視覺的經(jīng)典研究方向，目標跟蹤特別是與人體相關的跟蹤一直受到廣大學者的親睞。傳統(tǒng)的跟蹤算法都是基于短時間的跟蹤，換句話說，它在跟蹤失效后不能重新捕獲目標，沒有自學習能力，不能自適應目標外觀的形變。由于人體目標自身具有的各種姿態(tài)變化并易受光照、遮擋、模糊等條件的干擾，這些使得跟蹤算法在實際應用中面臨著很大的挑戰(zhàn)。
　　2009年的機器視覺國際會議(ICCV)英國薩里大學Z.Kalal博士提出了一種新穎

2、的目標跟蹤算法——TLD。該算法充分利用跟蹤和檢測的優(yōu)點并將二者有效地結合起來解決跟蹤過程中目標發(fā)生的姿態(tài)變化、遮擋等問題。同時，他引進了一種學習算法，在線更新目標模型，使得跟蹤能自學習目標的變化。但是，該算法計算復雜度極高，對于一般的普通視頻不能達到實時的要求。鑒于特定的跟蹤人體以及TLD算法的啟發(fā)，本文基于Kinect傳感器進行研究，利用傳感器提取人體骨架信息跟蹤人體，并采用級聯(lián)檢測算法檢測目標，最后對二者進行融合。為了使得跟蹤能自

3、適應目標外觀的變化，本文引入了P-N在線學習機制，在線更新目標模型和級聯(lián)檢測算法的分類參數(shù)。當目標發(fā)生形變，姿態(tài)變化，特別是在當目標重新出現(xiàn)在視野中時，加入在線學習機制的級聯(lián)檢測方法能快速檢測出目標。為了解決級聯(lián)分類器算法在全圖中搜索目標耗時這個問題，本文采用Kinect的深度信息預估計目標的大致位置，使得級聯(lián)檢測算法在預測位置的基礎上搜索出目標，從而提高了檢測的效率。
　　實驗結果表明該算法在處理目標尺度放縮、復雜背景、部分遮擋