论文部分内容阅读
目标跟踪是计算机科学领域的一个重要分支。它是实现人工智能的必要条件,对人工智能更高级的处理应用具有重要作用。行人目标跟踪是视频监控、车辆辅助驾驶和人体行为分析等应用领域中基础而又关键的第一步。基于PTZ(Pan-Tilt-Zoom)网络摄像机的主动行人跟踪方法,能使跟踪系统模拟人眼的功能,相机跟随行人的移动做出相应的动作,使被跟踪目标始终保持在相机的视野中,这种跟踪方法的应用改善了传统相机监控视野狭窄的不足。TLD(Tracking-Learning-Detection)算法是目前常用的一种目标跟踪算法,在长时间跟踪方面性能突出,将TLD算法应用于PTZ摄像机跟踪中,可以弥补PTZ摄像机长时间跟踪目标丢失问题。但TLD算法存在着缺点与不足,行人目标受到光照、遮挡等因素影响时,算法跟踪精度降低,算法复杂度较高,实时性较差。本文针对TLD算法存在的不足,对TLD算法进行改进研究,主要工作如下:(1)搭建实验平台,应用中心偏移距离、重叠度及平均帧率为实验评价指标,从Visual Tracking Benchmark数据集中挑选出6个数据集作为实验分析数据集,对TLD算法进行行人跟踪实验。针对TLD算法存在的不足,建立改进方案,分别对检测模块中的特征描述算法及分类器,跟踪模块中的中值光流法,滑动窗口法进行改进研究。(2)分析5种常用的特征描述算法,分别将5种特征应用于TLD算法中,并对基于5特征的TLD算法进行实验分析。将HOG(Histogram of Oriented Gridients)特征与SVM(Support Vector Machine)分类器结合,改进TLD算法检测模块中2bitBP特征与集成分类器,对改进后的TLD算法在标准数据集上进行实验分析。(3)分析5种常用目标跟踪算法,对5种跟踪算法与TLD算法进行实验分析。基于KCF(Kernelized Correlation Filters)跟踪算法对TLD算法进行改进,对改进后的跟踪算法进行实验分析。(4)建立PTZ摄像机控制模型及PTZ摄像机动态跟踪控制系统。对滑动窗口法进行改进,并应用于基于HOG-SVM检测及KCF跟踪的TLD算法中。对改进的TLD算法在PTZ摄像机上进行真实环境行人跟踪实验验证。改进的TLD算法保留标准TLD算法长时间跟踪目标特性,在标准TLD算法的基础上,跟踪精度及实时性得到提高。