基于TLD的自適應單目標跟蹤算法研究

何亞磊?許乾坤

摘 要 針對因光照變化、目標形態變化和遮擋等問題引起的目標自動跟蹤失效問題，本文采用優化后的TLD算法在opencv2.4.9和VS2010搭建的平臺上進行仿真實驗。結果表明，利用擴展Kalman濾波器進行目標預測，Mean-shift算法替代TLD算法中跟蹤模塊的光流法，可減少TLD的計算量，增強TLD算法的穩定性和魯棒性并且能夠自適應的進行目標跟蹤。

關鍵詞 TLD；目標跟蹤；自適應

前言

目標自動跟蹤技術是一項融合圖像處理、模式識別、人工智能、自動控制、大規模集成電路等多種不同領域先進成果的綜合性技術。和目標識別一樣，目標自動跟蹤被廣泛應用在軍事中。但戰場環境復雜多變，再加上目標本身會發生諸如姿態、大小、運動軌跡、運動速度以及如目標被遮擋等其他各種因素的影響，使得對運動目標的跟蹤成為一個難點。

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合中對解決某一個或某幾個問題效果較好，很難解決復雜場景中各種不確定情況及適應不同場合的運動目標跟蹤。為此，本文對TLD算法進行了改進與優化，使其能較好地解決上述問題[1]。

1 TLD算法的優化

由于TLD（Tracking-Learning-Detection）能夠較好地實現單目標長時間穩定跟蹤，適應目標形態發生的變化，近年來在計算機視覺領域被廣泛應用。相比傳統的只能在高斯運動場下使用的粒子濾波、卡爾曼濾波等算法而言， 跟蹤模塊采用光流法的TLD算法則可應用于各種運動場。但其也有諸多缺點，例如，光流法計算量較大，存在對快速移動目標跟蹤準確度不高，有外觀相似物體干擾時不能實現較好的穩定跟蹤等問題。

為此，本文采用計算量相對較少的Mean-shift算法替代TLD算法中跟蹤模塊的光流法，同時利用擴展Kalman濾波器進行目標預測，以減少TLD的計算量，增強算法的可靠性。

改進后的算法主要思路如下：初始化Kalman濾波器并進行目標位置的預測，再用得到新的系統狀態預測量和新的系統狀態測量對Kalman濾波器進行校正。用最近鄰分類器得到Kalman濾波器預測結果的可信度，若可信度大于0.85，則將Kalman濾波器預測所得結果傳遞給后繼的檢測器和學習器。反之，則用Mean-shift跟蹤的結果重新初始化Kalman濾波器[2]。

2 仿真結果及分析

圖1為運動過程中目標發生旋轉的條件下進行的實驗，本實驗用運動中旋轉的帽子來設置環境，從結果可以看出當無論帽子發生旋轉還是在旋轉后恢復原狀，改進后的算法都能進行穩定實時跟蹤。

3 結束語

在目標形態發生變化、光照發生變化和目標被遮擋時，經過改進和優化的TLD算法依然能夠實現較好的穩定跟蹤，具有一定的應用價值。

參考文獻

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

[2] 韓濤，鄒強，吳衡，等.Kalman濾波融合優化Mean Shift的目標跟蹤[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跟蹤技術研究[J].光學與光電技術，2014，12（6）：9-12.

[4] 劉建.基于PTLD的長時間視頻跟蹤算法[J].化工學報，2016， 67（3）：967-973.