文档介绍：基于卡尔曼滤波的抗遮挡 TLD 跟踪算法
龚小彪何涛
Tracking-Learning-Detection(TLD) 跟踪算法具有良好的长时跟踪能力,但是,当
目标出现严重遮挡的时候,容易造成跟踪目标丢失。针对这一问题,本文提出一种基于卡尔曼滤波的抗遮挡 TLD 跟踪算法,从而解决遮挡情况下的目标丢失问题。
引言 统的最优预测。 u
k -1
表示上一时刻的控制量, A 、 B
表示系统参数。
TLD 跟踪算法将长时跟踪分为检测、跟踪、学****三个部分,通过
引入在线学****机制,从而使得算法具有良好的跟踪能力。但是,该算
(2) 对系统的协方差进行更新。用 P 表示协方差,则先验估计误
差的协方差更新方法如下:
法在目标出现严重遮挡的时候,仍然会造成跟踪目标丢失。针对跟踪 - T
k
Pk = APk -1 A + Q
(2-2)
目标丢失问题,本文结合卡尔曼滤波良好的预测能力,提出了一种基
式中, P- 表示先验估计误差的协方差,
Pk -1
表示 k-1 时刻后验
于卡尔曼滤波的 TLD 跟踪算法(TLD_kf),从而解决了遮挡情况下的
目标丢失问题。
基于卡尔曼滤波的抗遮挡 TLD 跟踪算法
估计误差的协方差, A 为系统参数。上述步骤两个步骤便构成了卡尔曼滤波的系统预测部分。
(3) 通过系统的观测值,综合预测值和观测值,得到当前时刻 k
- -
的最优值 xˆk 。
1 TLD 跟踪算法
xˆk = xk + Kk (zk - Hxk )
(2-3)
TLD 算法[1] 主要由检测器[2]、短时跟踪器[3] 以及学****器[4]
其中,
xˆ- 表示系统的状态预测值, 可以由(2-1) 所得, z 表示
k
k
组成。
短时跟踪器主要由前向后向轨迹光流跟踪算法实现。短时跟踪器
系统的观测值, H 表示测量系统参数, Kk 表示卡尔曼滤波增益,其表达式如式(2-4) 所示。
在连续的两帧之间估计目标的运动。短时跟踪器获得目标后,如果该
T ( - T
)-1
目标靠近轨迹则送到学****器。检测器主要采用级联检测器。检测器将每一帧视为独立的,通过
Kk = Pk H HPk H + R
k
其中, P- 表示先验估计误差的协方差, H R 表示测量噪声方差。
(2-4)
表示测量系统参数,
滑动窗口遍历扫描整个帧图像。检测器定位当前帧中目标可能出现的
对应的误差协方差
pk ,
pk 的表达式如下:
位置。
Pk = (I - Kk H )Pk
(2-5)
-
学****器估计检测器的错误,对错误的样本进行校正,产生新的样
本以避免类似的错误。
2 卡尔曼滤波算法
卡尔曼滤波[5](Kalman filtering) 是解决状态最优估计问题的一种常用方法。卡尔曼滤波通过递归的方式,仅仅只需要知道上一时刻状态的估计值和当前时刻状态的观测值的情况下,便可以不断实现对当前时刻状态的最优估计。
卡尔曼滤波的核心可以由 5 个方程组成,具体的表示如下:
(1) 假设当前的时刻为 k,那么根据上一时刻 k-1 系统的状态,可以预测出当前时刻 k 的状态。
其中, I 表示单位矩阵, Kk 表示卡尔曼滤波增