摘要：视频目标识别跟踪是计算机视觉非常重要的一部分，提高视频目标识别跟踪的鲁棒性、稳定性、实时性至关重要。本文主要是对DLT算法的改进，以提高算法的准确度、鲁棒性。DLT算法主要解决视频中运动目标物体的长时间跟踪问题。DLT单目标跟踪算法主要分成三部分：跟踪器、学习器和检测器，其中跟踪器运用基于中值光流法计算初始位置和预测位置像素点灰度值的欧氏距离，即：误差值。利用误差法和NCC法筛选出跟踪点，然后根据这些跟踪点的位置和距离的变化计算出目标框的大小和位置。学习器主要运用一种新的在线学习机制P-N学习，用标记样本训练分类器，修改错误的正负样本，然后通过分类器对未被标注的数据进行标注，依次进行迭代训练。检测器通过滑动窗口对整个帧画面进行扫描子窗口 检测器用滑动窗口扫描图像帧，运用级联分类器对其滑动窗口产生的样本进行分类，筛选出两帧之间最相似且相邻的图像元。

在测试的过程中发现，目标跟踪的鲁棒性增强，同时能够根据目标框的实际情况，获取有效的特征点，减少视频流中的目标过大或过小导致跟丢的情况。

 

关键词 DLT；P-N学习；FB误差；NCC

 

目录

摘要

Abstract

1 绪论-1

1.1 引言-1

1.2 研究背景与意义-1

1.3 国内外研究现状-2

1.3.1 国内研究现状-2

1.3.2 国外研究现状-2

1.4 主要研究内容-3

1.5 论文组织结构-3

2 目标检测跟踪及相关技术的介绍-5

2.1 常用的目标跟踪检测算法-5

2.1.1 背景差分法-5

2.1.2 帧间差分法-6

2.2 DLT算法开发的相关技术-7

2.2.1 CMake技术介绍-7

2.2.2 OpenCV技术介绍-7

2.3 DLT算法介绍-8

2.3.1 DLT算法的整体思路-8

2.4 本章小结-9

3 基于级联分类器检测算法-10

3.1 检测模块的介绍-10

3.2 扫描窗口-10

3.3 级联分类器-10

3.3.1 图像元方差分类器-11

3.3.2 集成分类器-11

3.3.3 最近邻分类器（NN）-14

3.4 检测模块流程图-14

3.5 本章小结-15

4 基于正负样本的识别学习机理-16

4.1 学习模块的介绍-16

4.2 正负样本的学习机理介绍-16

4.2.1 初始化-16

4.2.2 初始化流程图-16

4.3 基于半监督的P-N学习-17

4.3.1 P专家-18

4.3.2 N专家-18

4.4 P-N学习流程图-18

4.5 本章小结-19

5 基于光流法的追踪模块-20

5.1 追踪模块的介绍-20

5.2 Median-Flow追踪算法-20

5.3 特征点的选取-20

5.3.1 FB特征点-20

5.3.2 归一化互相关-21

5.4 跟踪算法的流程图-21

5.5 本章小结-22

6 系统的测试和改进-23

6.1 测试系统分析-23

6.1.1 测试平台配置环境-23

6.1.2 测试平台介绍-23

6.2 算法及参数测试分析-25

6.2.1 目标角度旋转变化及其跟踪效果分析-25

6.2.2 目标跟踪距离及其跟踪效果分析-25

6.2.3 目标物体不同遮挡程度的跟踪分析-26

6.2.4 相同目标在不同环境下的跟踪情况-27

6.3 算法的改进-28

6.3.1 阈值参数的变化分析-28

6.3.2 目标矩形框选取分析-28

6.3.3 目标矩形框中像素点的选取-29

6.4 本章小结-30

结论-31

致谢-32

参考文献-33