● 摘要
机器视觉是模式识别领域最具前景的研究方向之一，视频跟踪又是机器视觉的核 心领域，在机器视觉发展之初就成为研究者关注的重要研究方向，现今已经广泛应用 在人机交互、智能监控、导航等军事和民用领域。近年来，视频跟踪算法进入了快速 的发展期，出现了许多优秀的跟踪算法，如 Tacking- Learning- Detection（ TLD）算法、 压缩跟踪（ Compressive Tracking）算法等，但是这些算法也存在局限性，在复杂背景 情况下，跟踪目标特征信息不充分，目标多姿态并伴随局部剧烈形变，遮挡或光照变 化等（如行人检测），常出现跟踪失效。 本文针对 TLD 算法和压缩跟踪算法在复杂背景下出现的跟踪局限性，进行了深入 学习研究： 1. 为了克服 TLD 算法在目标局部剧烈形变、目标信息不充分导致的跟踪失效问 题，本文在基于 TLD 算法的基础上，加入卡尔曼滤波，提高算法中跟踪模块和检测模 块结果的稳定性，以获取更平滑的结果，提高跟踪鲁棒性，解决了原 TLD 算法在复杂 场景下行人跟踪失败的问题； 2. 为了提高压缩跟踪算法在复杂场景中运动目标的长时间跟踪精确性，本文在该 算法的基础上，提出了利用运动目标的几何拓扑结构之间的关系进行建模的方法，对 运动目标的拓扑结构进行解析，利用拓扑模型子块间关系对目标进行分块并对每一子 窗口进行特征提取，同时判断窗口之间的拓扑关系，利用整体目标与子窗口之间的拓 扑图形制约关系对整个目标进行跟踪，跟踪同时对每个子窗口引入置信度机制，使其 具有不同的权重，保留了目标的空间信息。实验结果显示，该方法能适应目标多姿态 局部的剧烈变化，实验结果具有较强的鲁棒性，实现了复杂场景中运动目标的长时间 跟踪的精确性； 3. 压缩跟踪算法加入拓扑模型后，计算复杂度成倍增加，本文提出了算法优化方 法，采用分层采样策略， 在不同阶段采用不同的扫描采样策略，提高采样扫描的效率， 减少多余的采样计算，同时增强更具目的性的采样扫描的精度，以提高跟踪结果的精 确性。