学位论文 > 优秀研究生学位论文题录展示

基于Kalman的TLD目标跟踪算法研究

作　者: 江博
导　师: 薛弘晔
学　校: 西安科技大学
专　业: 计算机应用技术
关键词: 运动目标检测与跟踪 Kalman滤波器 TLD跟踪算法
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 217次
引　用: 0次
阅　读: 论文下载

内容摘要

运动目标检测与跟踪是机器视觉研究的核心内容之一。运动目标的检测与跟踪利用图像处理等相关技术对视频序列图像处理、分析和理解。它已经在遥感遥测、工业安防、航天航空、智能机器人、社会安防等领域发挥着重要作用。TLD(Tracking-Learning-Detection)是近年来出现的一种单目标长时间跟踪的高效算法。该算法解决了目前大部分跟踪算法在目标失踪后不能重新捕获目标的缺点，并且能够很好的适应目标外观的剧烈变化。但是它仍然存在诸多缺点不足。本文以Kalman滤波器为主要的研究对象。利用扩展的Kalman滤波器的预测增强TLD算法，以增强算法的可靠性，并在此基础上实现了相应的目标跟踪算法。论文完成的工作有：1.分析了Kalman滤波器的数学原理，对滤波器在目标跟踪、运动估计应用方面做了一定的扩展，并提出了扩展的方法。2．分析了随机森林的原理，对比分析各类目标检测的图像特征描述，比如Haar，LBP，2bitBP特征。并提出基于2bitBP特征建立随机森林的过程。3.研究了TLD算法中的关键部分P-N学习过程和基于LK光流法的Median Flow跟踪算法。4.阐述利用扩展的Kalman滤波器增强TLD算法的思想，对改进算法的跟踪器、检测器、学习器的实现给出详细描述。调用检测器来计算跟踪器定位目标的可信度与Kalman滤波器预测目标的可信度，根据这两个可信度，决定输出到下一级检测器和学习器的结果。在此基础上利用Opencv计算机视觉库，在linux系统上实现了高效的改进跟踪器。针对四个各具特点的场景分别实验，分析实验结果和算法的优缺点。经实验验证改进确实增强了跟踪的可靠性。

全文目录

摘要  3-4
ABSTRACT  4-7
1 绪论  7-11
  1.1 课题研究的背景及意义  7-8
  1.2 目标跟踪研究现状  8-9
  1.3 本文研究内容  9-10
  1.4 论文组织结构  10-11
2 Kalman 滤波理论及扩展  11-16
  2.1 Kalman 滤波理论  11-13
    2.1.1 kalman 数学原理  11-13
    2.1.2 随机线性的离散系统 Kalman 方程  13
  2.2 Kalman 运动估计及扩展  13-16
3 基于图像 2bitBP 特征的随机森林算法  16-26
  3.1 决策树理论  16-18
    3.1.1 Interactive Dicremiser versions 3  16-17
    3.1.2 二叉决策树  17-18
  3.2 随机森林算法  18-20
    3.2.1 袋外数据估计  19
    3.2.2 变量重要性评估  19-20
    3.2.3 随机森林的构建方法  20
  3.3 随机森林算法与图像 2bitBP 特征  20-24
    3.3.1 图像特征提取之 HOG 特征  20-21
    3.3.2 图像特征提取之 Haar 特征  21-23
    3.3.3 图像特征提取之 LBP 特征  23-24
    3.3.4 图像特征提取之 2bitBP 特征  24
  3.4 基于图像 2bitBP 特征的随机森林算法实现  24-26
4 基于正负样本的学习训练过程  26-31
  4.1 P-N 学习介绍  26
  4.2 P-N 学习过程实现  26-31
    4.2.1 分类器改善的实现  27
    4.2.2 约束条件的形成  27-30
    4.2.3 在线 P-N 学习  30-31
5 基于前后误差的 Median Flow 跟踪算法  31-37
  5.1 Lucas-Kanade 算法  31-33
  5.2 Median Flow 跟踪算法  33-37
    5.2.1 前后误差  34
    5.2.2 跟踪点选择策略  34-35
    5.2.3 Median Flow 算法实现  35-37
6 基于 Kalman 的 TLD 跟踪器的实现  37-56
  6.1 TLD 介绍  37-38
  6.2 TLD 算法尚存问题  38
  6.3 基于 Kalman 的 TLD 跟踪器思路  38-40
  6.4 算法跟踪器描述  40-41
  6.5 算法检测器描述  41-43
  6.6 最近邻分类器 P-N 学习更新过程  43-45
    6.6.1 先决条件  43
    6.6.2 目标模型  43-44
    6.6.3 最近邻分类器 P-N 学习约束条件实现  44-45
  6.7 随机森林分类器 P-N 学习更新过程  45-48
    6.7.1 随机森林分类器 P-N 学习过程实现  45-46
    6.7.2 随机森林分类器 P-N 学习过程约束条件实现  46-47
    6.7.3 视频序列的处理  47
    6.7.4 性能评估  47-48
    6.7.5 参数设置  48
  6.8 算法整合器描述  48
  6.9 运行结果及其分析  48-56
    6.9.1 场景一  49-51
    6.9.2 场景二  51-52
    6.9.3 场景三  52-54
    6.9.4 场景四  54-56
总结与展望  56-57
致谢  57-58
参考文献  58-59

基于Kalman的TLD目标跟踪算法研究

内容摘要

全文目录

相似论文