針對紅外單目標在長期跟蹤過程中的強背景干擾、遮擋、形變以及目標特征信息減弱等實際問題,提出了一種基于跟蹤-學習-檢測（Tracking-Learning-Detection,TLD）框架的紅外目標穩(wěn)定跟蹤方法。該方法在壓縮跟蹤算法（Compressive Tracking,CT）的基礎(chǔ)上替換廣義的類Harr特征為HOG特征,引入互補隨機測量矩陣,優(yōu)化紋理和灰度特征信息的權(quán)重,同時引入卡爾曼濾波器記錄空間上下文位置信息,以解決CT算法和TLD算法在目標被遮擋時的跟蹤失效和全局檢索問題�；赥LD算法框架和改進CT算法相結(jié)合的紅外圖像跟蹤算法有效地解決了遮擋和強干擾問題,提升了算法的跟蹤準確性和長期跟蹤穩(wěn)定性。實驗結(jié)果表明,本文提出的算法在紅外地面環(huán)境中能較好地實時穩(wěn)定跟蹤并保持良好的準確性和魯棒性。 

【文章來源】：紅外技術(shù). 2020,42(05)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

壓縮特征v的生成示意圖

TLD算法[5]作為一種單目標長期跟蹤算法，其結(jié)構(gòu)如圖2所示，主要由檢測、跟蹤和學習3個模塊構(gòu)成。其中，檢測模塊和跟蹤模塊并行運行，跟蹤模塊應用光流法對目標位置進行估計，檢測模塊基于全圖使用分類器檢測目標。學習模塊基于跟蹤器和檢測器的結(jié)果，對跟蹤模塊的顯著特征點進行更新，同時更新檢測器的模型。圖2右側(cè)的綜合模塊則結(jié)合檢測模塊和跟蹤模塊結(jié)果融合輸出。2 本文算法

基于TLD算法再檢測機制實現(xiàn)的長期穩(wěn)定跟蹤特性的框架。將改進的壓縮跟蹤算法整合到TLD框架中，提出改進的CT(Improved Compressd Tracking,ICT）跟蹤算法，如圖3所示。ICT算法替代TLD算法的跟蹤模塊，能有效克服光流法紅外跟蹤帶來的漂移。同時TLD算法的在線學習機制，能夠提升紅外目標跟蹤的穩(wěn)定性，也能彌補ICT算法的目標出視野的問題，有效地改善了算法的魯棒性和準確性。2.3 遮擋目標預測

【參考文獻】：
期刊論文
[1]基于改進互信息的紅外目標匹配跟蹤算法[J]. 楊悅,劉興淼,郭啟旺,薛福來,劉鈞.  紅外技術(shù). 2013(06)



本文編號：3140471