复杂环境下高效物体跟踪级联分类器+遮挡概要1.pptVIP

复杂环境下高效物体跟踪级联分类器 TLD跟踪算法 TLD(Tracking learning detection)跟踪算法由跟踪器(tracker)、检测器(detection)和在线学习(online learning)算法组成。 其中跟踪器和检测器两者并行运行，所产生的结果皆参与学习过程，学习后的模型反作用于跟踪器和检测器，学习过程对跟踪器和检测器进行实时更新模型和跟踪参数，从而保证了目标外观在发生变化的情况下能够持续被跟踪。 主要思想 基于Sliding-Window的局部搜索和全局搜索、积分直方图过滤器和随机Haar-like块特征过滤器。 积分直方图：过滤大量非目标子窗块 Haar-like：解决在复杂环境下易发生漂移而导致跟踪精度问题。 局部搜索和全局搜索：提高了计算机速度 跟踪器： 指定跟踪目标用矩形框标出，采用Lucas-Kanade光流法且结合相似性判断和前向-后向误差(forward-backward error)法来估计目标运动的位，用此局部跟踪方法可以有效解决部分遮挡的问题。 检测器： 解决跟踪器跟踪大运动物体或者物体临时跟丢后的重新定位问题。 主要流程： 每一帧图像用Sliding-window方法形成图像块(patch) 每个图像块被标记为正例或负例需要经过3层级联分类器的过滤： 方差过滤器(variance filter) 随机蕨分类器(random ferns filter) 最近邻分类器(nearest-neibor classifier) 在线学习算法 该过程是一个动态模型，随着视频序列的扩张或缩小，其发展由两个事件进行驱动，分别为扩展事件(growing event)和修剪事件(pruning event).样本空间的扩张来自于跟踪器，将符合目标样本的样本加入正样本池，扩张正样本 在高分辨率下（640×480）下，要识别较大尺度的目标物体，需要更多的随机蕨特征组用来提高目标的识别率，由于手动调节参数去应对不同分辨率下的多尺度追踪问题将会导致算法的适应力交叉。Haar-like特征能够提取一定纹理特征的目标，提出了一种基于Harr-like特征的块比对于原始蕨分类器组成线性分类器，不仅能够自适应与不同分辨率下的目标追踪，而且在大尺度下的目标追踪精确度比原来单一的随机蕨分类器的精确性高。 搜索策略 待跟踪目标在帧与帧之间发生较小的运动，跟踪目标可以在局部的小范围内进行Sliding-window搜索块搜索。当目标发生大运动或者在视野丢失重现时，全局滑动搜索的策略才会有更好的鲁棒性。 假设跟踪目标是小运动，当检测器结果无效时，采取全局搜索方式。 实验-静态环境 人脸俯仰、倾斜、摇摆、部分遮挡、人脸多尺度变化。 人从光线较暗的室内到较亮的室外的行走过程，人脸的旋转，表情变化等姿态变化。主要是测试较慢的光线变化、物体旋转、尺度变化的鲁棒性。 静态背景下，人脸的半遮挡、大面积遮挡的评估 运动过程下的姿态变化等情形，用于测试算法的尺度变化，光照变化和物体形变的鲁棒性测试。 实验-复杂环境下 目标物体快速运动引起物体模糊拖影等现象，摄像机拍摄过程也处于运动状态，即动态背景。 橄榄球运动员奔跑过程和其他运动员教会，碰撞和遮挡分离后的运动过程。测试多物体教会过程中出现背景交汇和遮挡后重定位的鲁棒性。 演唱会灯光效果急剧变换以及摇滚吉他手的头部频繁摇动。测试对于光照条件下物体形变的跟踪鲁棒性。 缺点 光线出现较大突变。 采用在线学习的方法，先验知识是由首帧确立待测目标样本且帧间出现严重的反光或者环境光变化将会导致目标的差异性增大，从而出现检测目标丢失的情况。 目标出现丢失后检测速度较耗时。 若目标出现丢失，全局搜索必会加大计算的复杂度。 遮挡分片处理 遮挡问题的常用方法 建立了目标片与模板片的对应关系，并结合了最小均方误差算法，即便发生部分遮挡，依然可以利用剩余的有效片的强度，继续跟踪目标。缺点：没有考虑模板更新问题。 采用Camshift算法处理目标形变和部分遮挡问题，并利用卡尔曼滤波算法实现目标形变和全遮挡时问题的处理。缺点：未考虑遮挡物和非遮挡物之间的关联性，在跟踪过程中势必造成一些重要信息丢失。 基于分片的抗遮挡跟踪算法。通过及时更新模板达到准确跟踪目标的效果。缺点：没有考虑到全遮挡的情况，当目标发生全遮挡时，算法不能很好地进行预测，导致目标丢失。 综合： 基于分片跟踪的遮挡处理算法即Handling Occlusion Fragmentsbased Tracking(HOF算法) 该算法主要是针对遮挡类型，提出相应的处理方案。并且考虑了遮挡物与被遮挡物之间的关联性特征。 该算法的优势是在于局部上考虑了目标颜色特征，而整体上又考虑了它的边缘特征。 HOF算法 算法原理： 模板的建立与更新，利