3.3 长期跟踪算法的实现步骤与流程图 15

3.4 代码管理机制 16

4.1 数据库介绍 18

4.2 开发工具介绍 18

4.3 数据预处理 18

4.4 跟踪结果 18

4.5 实验分析与改进 27

5 工作总结和展望 28

5.1 工作总结 28

5.2 需要克服的问题以及未来研究展望 28

1 绪论

目标跟踪是计算机视觉应用中最根本的问题之一，典型的视觉跟踪是根据一个未知对象 的后续图像帧，将其初始化为一个目标框。是一种利用视频采集设备，通过分析视觉信息， 从而实现跟踪目标物体的跟踪的综合性技术。由于有各种各样不同的因素在影响着跟踪算法 的性能，目前不存在适用于所有应用场景的跟踪方案。在这篇文章中，我们集中研究长期视 觉跟踪中由于变形、快速运动、严重遮挡和视野内消失等情况，目标外表发生显著变化而带 来的长期跟踪的问题。其中，选用有效的目标外观模型对跟踪效果的好坏起着决定性的作 用。除此之外，时间上下文间的相关性能够显著提高平移估计的准确性和可靠性，而根据置 信度最高的帧估计尺度变化来学习判別式相关滤波器十分有效。所以本文采用两个相关滤波 器，一个利用时间上下文进行核岭回归来估算目标物体的平移，另一个根据最可靠帧，利用 定向梯度直方图构建多尺度目标金字塔来进行对目标物体的尺度估计。另外使用支持向量 机，用于跟踪失败时的重新检测。在标准数据集下方［1］上对该算法进行试验测评，最后将 整个跟踪过程在 Matlab 环境下实现。

本章首先介绍基于滤波器的长期跟踪的工程背景和意义，并就一些相关技术的现状作简 要介绍，最后分析实现基于相关滤波器的长期跟踪算法需要解决的工程问题。

1.1 背景及意义

计算机科学技术的不断发展加速了社会信息化的进程，越来越多的信息被期冀于交给计 算机系统处理，从而进一步提高社会的生产力，于是无数研究人员把目光和精力投入到计算 机视觉领域。计算机视觉是计算机领域中多门学科的综合应用，是计算机领域中的重要组成 部分。有效地利用视觉信息，能够解决很多人工智能方面的问题，因为它涉及到图像处理和 模式识别等学科的综合应用。

视觉信息是人们日常接收到的信息中最为重要且直观的信息之一，其中动态视觉信息又 是重中之重，因为运动中包含的信息远远比静止时能够得到的信息更有价值。自然而然，如 何有效且准确地获取动态视觉信息，成为无数研究人员想要突破的课题。这些动态视觉信息 有着广阔的应用场景，例如汽车的自动及辅助驾驶系统、马路上行人的检测、军事上的航空 制导等，运动的物体相比静止的物体更具有研究价值。在长期跟踪中，往往也是跟踪运动的 物体，所以归根结底，跟踪主要是对目标运动信息的提取。掌握目标的运动信息，在此基础 上可以解决不少的问题。例如航空制导中检测是否偏离既定轨道，汽车自动驾驶中是否需要转弯或避让其他车辆等等。