一種改進的TLD動態(tài)目標跟蹤算法

侯紅娜 武婷

摘 要：TLD算法是目前一種常用的目標跟蹤算法，但當目標存在遮擋以及移動較快時，容易出現(xiàn)跟蹤漂移的問題，因此本文提出了一種基于TLD跟蹤算法的改進目標跟蹤算法。首先，利用Kalman濾波器預(yù)估當前幀所要跟蹤目標的區(qū)域。其次，在檢測器中加入馬爾可夫模型方向預(yù)測器，來預(yù)測索要跟蹤目標的運動方向。通過實驗，證明改進后的TLD算法跟蹤精度更高，能夠快速準確地進行動態(tài)目標進行跟蹤。

關(guān)鍵詞：運動目標跟蹤；TLD算法；kalman濾波器；目標運動預(yù)估

隨著科技的發(fā)展，基于視覺的目標跟蹤成為人機交互方式中的一個重要研究課題[ 1 ]。但是在較復雜場景下，存在目標的快速移動以及目標遮擋等問題，給目標的跟蹤帶來困難。簡單的跟蹤和檢測算法都無法達到理想的效果。而TLD跟蹤算法是將檢測算法和跟蹤算法結(jié)合，并結(jié)合了在線學習機制，從而使目標跟蹤更加穩(wěn)定、有效[ 2 ]。由于 TLD 跟蹤算法是結(jié)合了采用光流法進行跟蹤，因此不能解決復雜場景下的目標跟蹤問題[ 3 ]。

本文針對 TLD 算法中，對快速大幅度運動目標的跟蹤不穩(wěn)定問題，基于Kalman濾波器預(yù)估前幀目標所在區(qū)域，并在檢測器中加入馬爾可夫運動方向預(yù)測，從而提高了檢測器處理速度，使跟蹤更加穩(wěn)定。

1 TLD跟蹤算法

TLD算法由學習器、跟蹤器以及檢測器三個部分組成[ 4 ]。學習器是利用P-N學習機制來不斷的更新TLD跟蹤器以及檢測器，并不斷更新檢測器的目標模型；跟蹤器是根據(jù)目標的運動信息來估計目標的運動狀態(tài)；檢測器是根據(jù)目標模型，來定位運動目標可能出現(xiàn)的區(qū)域。

3 實驗結(jié)果及分析

本文以VS2010和opencv2.3.9為開發(fā)平臺，在2.0GHZ CPU和1G內(nèi)存的筆記本上實現(xiàn)本文算法。視頻為復雜環(huán)境下的行人視頻序列，視頻中有行人遮擋、其他運動物體以及陰影光線變化干擾。復雜場景下本文的跟蹤算法的測試結(jié)果，圖3可以看出，當被跟蹤行人進入背景干擾區(qū)時，能有效地描述跟蹤目標，實現(xiàn)了準確跟蹤。

4 結(jié)語

Kalman濾波器可以用來估計目標所在區(qū)域，本文加入了kalman濾波器提高了檢測器處理速度，并且在檢測器中加入馬爾可夫運動目標方向預(yù)測模型，從而使得跟蹤算法對相近目標的辨別能力就會大大提高。通過實驗表明，改進后的TLD算法跟蹤魯棒性更好，精度更高，能夠準確地對運動目標進行跟蹤。

參考文獻：

[1] 徐蕭蕭.基于特征學習與特征聯(lián)想的視覺跟蹤算法研究[D].合肥：中國科學技術(shù)大學，2010.

[2] 張俊輝.基于TLD框架的手勢檢測與跟蹤系統(tǒng)的研究與實現(xiàn)[D].武漢：武漢理工大學，2013.

[3] 張毅，姚圓圓.一種改進的TLD動態(tài)手勢跟蹤算法[J].機器人，2015，37（6）：754-759.

[4] 孫巧.遮擋情況下基于粒子濾波的視覺跟蹤算法研究.科學技術(shù)與工程，2012；12（32）：57-59.

[5] 劉曉輝，陳小平.基于擴展卡爾曼濾波的主動視覺跟蹤技術(shù).計算機輔助工程，2007，16（2）：32-37.

[6] 王保云，范保杰.基于顏色紋理聯(lián)合直方圖的自適應(yīng)Meanshift 跟蹤算法[J].南京郵電大學學報：自然科學版，2013，33（3）：18-25.