基于TLD的自適應(yīng)單目標(biāo)跟蹤算法研究

何亞磊?許乾坤

摘 要 針對(duì)因光照變化、目標(biāo)形態(tài)變化和遮擋等問(wèn)題引起的目標(biāo)自動(dòng)跟蹤失效問(wèn)題，本文采用優(yōu)化后的TLD算法在opencv2.4.9和VS2010搭建的平臺(tái)上進(jìn)行仿真實(shí)驗(yàn)。結(jié)果表明，利用擴(kuò)展Kalman濾波器進(jìn)行目標(biāo)預(yù)測(cè)，Mean-shift算法替代TLD算法中跟蹤模塊的光流法，可減少TLD的計(jì)算量，增強(qiáng)TLD算法的穩(wěn)定性和魯棒性并且能夠自適應(yīng)的進(jìn)行目標(biāo)跟蹤。

關(guān)鍵詞 TLD；目標(biāo)跟蹤；自適應(yīng)

前言

目標(biāo)自動(dòng)跟蹤技術(shù)是一項(xiàng)融合圖像處理、模式識(shí)別、人工智能、自動(dòng)控制、大規(guī)模集成電路等多種不同領(lǐng)域先進(jìn)成果的綜合性技術(shù)。和目標(biāo)識(shí)別一樣，目標(biāo)自動(dòng)跟蹤被廣泛應(yīng)用在軍事中。但戰(zhàn)場(chǎng)環(huán)境復(fù)雜多變，再加上目標(biāo)本身會(huì)發(fā)生諸如姿態(tài)、大小、運(yùn)動(dòng)軌跡、運(yùn)動(dòng)速度以及如目標(biāo)被遮擋等其他各種因素的影響，使得對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤成為一個(gè)難點(diǎn)。

雖然目前已有的算法有很多，但是他們只能在一定條件下或特定場(chǎng)合中對(duì)解決某一個(gè)或某幾個(gè)問(wèn)題效果較好，很難解決復(fù)雜場(chǎng)景中各種不確定情況及適應(yīng)不同場(chǎng)合的運(yùn)動(dòng)目標(biāo)跟蹤。為此，本文對(duì)TLD算法進(jìn)行了改進(jìn)與優(yōu)化，使其能較好地解決上述問(wèn)題[1]。

1 TLD算法的優(yōu)化

由于TLD（Tracking-Learning-Detection）能夠較好地實(shí)現(xiàn)單目標(biāo)長(zhǎng)時(shí)間穩(wěn)定跟蹤，適應(yīng)目標(biāo)形態(tài)發(fā)生的變化，近年來(lái)在計(jì)算機(jī)視覺(jué)領(lǐng)域被廣泛應(yīng)用。相比傳統(tǒng)的只能在高斯運(yùn)動(dòng)場(chǎng)下使用的粒子濾波、卡爾曼濾波等算法而言， 跟蹤模塊采用光流法的TLD算法則可應(yīng)用于各種運(yùn)動(dòng)場(chǎng)。但其也有諸多缺點(diǎn)，例如，光流法計(jì)算量較大，存在對(duì)快速移動(dòng)目標(biāo)跟蹤準(zhǔn)確度不高，有外觀相似物體干擾時(shí)不能實(shí)現(xiàn)較好的穩(wěn)定跟蹤等問(wèn)題。

為此，本文采用計(jì)算量相對(duì)較少的Mean-shift算法替代TLD算法中跟蹤模塊的光流法，同時(shí)利用擴(kuò)展Kalman濾波器進(jìn)行目標(biāo)預(yù)測(cè)，以減少TLD的計(jì)算量，增強(qiáng)算法的可靠性。

改進(jìn)后的算法主要思路如下：初始化Kalman濾波器并進(jìn)行目標(biāo)位置的預(yù)測(cè)，再用得到新的系統(tǒng)狀態(tài)預(yù)測(cè)量和新的系統(tǒng)狀態(tài)測(cè)量對(duì)Kalman濾波器進(jìn)行校正。用最近鄰分類器得到Kalman濾波器預(yù)測(cè)結(jié)果的可信度，若可信度大于0.85，則將Kalman濾波器預(yù)測(cè)所得結(jié)果傳遞給后繼的檢測(cè)器和學(xué)習(xí)器。反之，則用Mean-shift跟蹤的結(jié)果重新初始化Kalman濾波器[2]。

2 仿真結(jié)果及分析

圖1為運(yùn)動(dòng)過(guò)程中目標(biāo)發(fā)生旋轉(zhuǎn)的條件下進(jìn)行的實(shí)驗(yàn)，本實(shí)驗(yàn)用運(yùn)動(dòng)中旋轉(zhuǎn)的帽子來(lái)設(shè)置環(huán)境，從結(jié)果可以看出當(dāng)無(wú)論帽子發(fā)生旋轉(zhuǎn)還是在旋轉(zhuǎn)后恢復(fù)原狀，改進(jìn)后的算法都能進(jìn)行穩(wěn)定實(shí)時(shí)跟蹤。

3 結(jié)束語(yǔ)

在目標(biāo)形態(tài)發(fā)生變化、光照發(fā)生變化和目標(biāo)被遮擋時(shí)，經(jīng)過(guò)改進(jìn)和優(yōu)化的TLD算法依然能夠?qū)崿F(xiàn)較好的穩(wěn)定跟蹤，具有一定的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 張帥領(lǐng).基于TLD的視頻目標(biāo)跟蹤算法的研究[D].西安：西安電子科技大學(xué)，2014.

[2] 韓濤，鄒強(qiáng)，吳衡，等.Kalman濾波融合優(yōu)化Mean Shift的目標(biāo)跟蹤[J].硅谷，2014，1（6）：32-33.

[3] 陳金令.基于Kalman濾波和模板匹配的目標(biāo)跟蹤技術(shù)研究[J].光學(xué)與光電技術(shù)，2014，12（6）：9-12.

[4] 劉建.基于PTLD的長(zhǎng)時(shí)間視頻跟蹤算法[J].化工學(xué)報(bào)，2016， 67（3）：967-973.