基于最小生成樹模型的多目標跟蹤算法研究.pdf

1、目前，目標跟蹤作為計算機視覺領域中重要的研究方向，涉及圖像處理、模式識別、人工智能及自動控制等前沿學科理論，并在交通控制、治安管理、人機交互、智能車輛和醫(yī)療檢測等領域都有廣泛應用，對人類生活具有較高的實用價值。但在復雜跟蹤場景中，跟蹤系統(tǒng)的性能受各種因素的制約，如目標遮擋，光照變化，姿態(tài)多樣性等。因此設計一個性能良好的跟蹤器是很有挑戰(zhàn)性的工作，具有重要的現(xiàn)實意義。
　　本文針對復雜環(huán)境下的視頻序列中多目標跟蹤算法的不足，提出了改進

2、的基于空間約束的跟蹤算法。多數(shù)跟蹤器往往只關注目標外觀的顯著性特征，而忽視了不同目標間的相互關系。由于目標間存在頻繁的遮擋和有相似外觀，很容易發(fā)生跟蹤漂移。故本文方法融入目標間的空間相互位置信息，由外觀匹配得分結合結構形變得分，通過配置得分最大化輸出多目標的最佳位置配置，使跟蹤器在多目標場景中能實現(xiàn)更準確的跟蹤。該算法將每個運動目標視為一個部分，首先對目標區(qū)域進行梯度方向直方圖（HOG）特征提取，然后結合支持向量機（SVM）分類器進行樣

3、本訓練，得到每個目標的外觀模型?；诳勺冃文０宓脑?，提出最小生成樹（MST）模型來建立各個部分之間的聯(lián)系，在有效表示目標空間結構約束的同時，使整個檢測過程計算復雜度較小。在跟蹤過程中，使用一個結構化的SVM算法框架（structured SVM）進行參數(shù)在線學習，實時更新所有目標的外觀模型和這些目標間的結構約束，使跟蹤器能夠及時適應目標和環(huán)境的變化。最后通過實驗結果表明，本文算法有效改善了對多目標的跟蹤效果，提高了跟蹤器的魯棒性和準確