基于关键特征点优化的TLD目标跟踪算法

"2016, 52 （4） 1 引言 目标跟踪是计算机视觉领域中的核心课题，尤其在自动化视频监控、智能交通系统、导航制导、行为识别以及人体跟踪等多个领域扮演着至关重要的角色。面对光照变化、快速运动、遮挡、消失以及尺度变化等复杂场景，长时间目标跟踪技术的挑战尤为突出。为了应对这些挑战，科研人员提出了多种跟踪算法。例如，Lepetit等人利用基于随机树和像素对的分类器进行基于检测的跟踪，Andriluka等人则尝试将跟踪器与检测器融合在一个框架内。然而，这些方法往往需要预先训练，无法有效处理目标外观变化的问题。 针对这一问题，自适应跟踪算法应运而生，Collins和Liu提出的自适应方法允许跟踪系统根据目标的变化动态调整。TLD（Tracking-Learning-Detection）算法正是这类方法的代表，它能在给定极少量先验信息的情况下快速学习目标特征，并进行跟踪。然而，原始的TLD算法存在一个问题，即它在目标上均匀选取特征点进行跟踪，这可能导致部分特征点的跟踪不可靠，从而引起跟踪漂移，降低跟踪精度。 针对TLD算法的不足，本研究提出了一种基于关键特征点检测的改进TLD算法。首先，通过选择更为稳定的关键特征点，确保每个被选中的特征点都能被正确、可靠地跟踪，降低了跟踪漂移的风险。这一步优化有助于提高跟踪器的稳健性和精度。其次，研究中还引入了基于轨迹连续性的在线位置预测机制，该机制能在保证跟踪准确性的前提下，缩小检测器的搜索范围，显著提升了运算速度。 实验结果证明，改进后的TLD算法不仅在跟踪精度上有显著提升，而且在运行速度上也表现出色。这使得该算法在实时性和准确性方面都达到了更好的平衡，更适用于需要长时间稳定跟踪的复杂应用场景。这项研究为解决目标跟踪中的漂移问题提供了一种有效途径，对于未来的目标跟踪算法设计和优化具有重要的参考价值。" 这篇论文研究了基于关键特征点的改进TLD目标跟踪算法，通过优化特征点的选择和引入在线位置预测，提高了跟踪精度和运算效率，为长时间目标跟踪提供了更为可靠的解决方案。