基于時(shí)空上下文與Kalman濾波的視頻目標(biāo)跟蹤

亢 潔， 孫 陽(yáng)， 李曉靜， 李思禹， 李長(zhǎng)仁

(陜西科技大學(xué) 電氣與信息工程學(xué)院， 陜西 西安 710021)

0 引言

視頻目標(biāo)跟蹤[1]是機(jī)器視覺(jué)領(lǐng)域的基礎(chǔ)問(wèn)題之一，它是目標(biāo)識(shí)別、行為識(shí)別等后續(xù)應(yīng)用的基礎(chǔ)，在社會(huì)安全、航空航天等重大項(xiàng)目中有著廣闊的應(yīng)用前景[2-5].一般常用的目標(biāo)跟蹤方法包括均值漂移(MeanShift)算法、基于Kalman濾波的目標(biāo)跟蹤、基于粒子濾波的目標(biāo)跟蹤和基于對(duì)運(yùn)動(dòng)目標(biāo)建模的跟蹤.MeanShift算法[6]可以通過(guò)較少的迭代次數(shù)快速找到與目標(biāo)最相似的位置，但是不能解決目標(biāo)的遮擋問(wèn)題且不能適應(yīng)運(yùn)動(dòng)目標(biāo)的形狀和大小變化等.對(duì)其改進(jìn)的算法有連續(xù)自適應(yīng)的MeanShift算法(CamShift)[7]，此算法可以適應(yīng)運(yùn)動(dòng)目標(biāo)大小形狀的改變，具有較好的跟蹤效果，但當(dāng)背景顏色與目標(biāo)顏色接近時(shí)，容易使目標(biāo)的區(qū)域變大，最終有可能導(dǎo)致目標(biāo)跟丟.基于Kalman濾波的目標(biāo)跟蹤[8]認(rèn)為物體的運(yùn)動(dòng)模型服從高斯分布來(lái)對(duì)目標(biāo)的位置進(jìn)行預(yù)測(cè)，然后通過(guò)與觀察模型對(duì)比，根據(jù)誤差來(lái)更新運(yùn)動(dòng)目標(biāo)的狀態(tài).基于粒子濾波的目標(biāo)跟蹤[9]每次通過(guò)當(dāng)前的跟蹤結(jié)果重采樣粒子的分布，然后根據(jù)粒子的分布對(duì)粒子進(jìn)行擴(kuò)散，再通過(guò)擴(kuò)散的結(jié)果來(lái)重新觀察目標(biāo)的狀態(tài)，最后歸一化更新目標(biāo)的狀態(tài).此類(lèi)算法的特點(diǎn)是跟蹤速度快[10]，并且能夠解決部分遮擋的問(wèn)題，但是當(dāng)目標(biāo)發(fā)生嚴(yán)重遮擋時(shí)，跟蹤效果很差.基于對(duì)運(yùn)動(dòng)目標(biāo)建模的方法[11]需要對(duì)跟蹤的運(yùn)動(dòng)目標(biāo)進(jìn)行建模，然后利用該模型來(lái)跟蹤運(yùn)動(dòng)目標(biāo).此類(lèi)方法因?yàn)橐罁?jù)先驗(yàn)知識(shí)，因此具有一定的局限性.

基于時(shí)空上下文的目標(biāo)跟蹤是Zhang等[12]2013年提出的一種目標(biāo)跟蹤算法.該算法基于貝葉斯框架建立了目標(biāo)與周?chē)鷥?nèi)容的時(shí)空關(guān)系，在低階特征上對(duì)目標(biāo)與附近區(qū)域進(jìn)行了統(tǒng)計(jì)關(guān)系建模，通過(guò)計(jì)算置信圖找到似然概率最大的位置即為目標(biāo)跟蹤結(jié)果.此算法跟蹤速度快，可以實(shí)現(xiàn)實(shí)時(shí)的跟蹤，但當(dāng)目標(biāo)被嚴(yán)重遮擋時(shí)，則容易出現(xiàn)跟錯(cuò)或者跟丟的問(wèn)題.

綜上所述，在運(yùn)動(dòng)目標(biāo)跟蹤過(guò)程中嚴(yán)重遮擋問(wèn)題是現(xiàn)有的跟蹤算法面臨的一項(xiàng)巨大挑戰(zhàn)[13]，考慮到以上跟蹤算法的特性，本文設(shè)計(jì)了一種基于時(shí)空上下文與Kalman濾波的目標(biāo)跟蹤算法，能夠解決由于目標(biāo)被嚴(yán)重遮擋而出現(xiàn)的跟蹤失效問(wèn)題.

1 基于時(shí)空上下文的目標(biāo)跟蹤

基于時(shí)空上下文的目標(biāo)跟蹤算法的主要思想是通過(guò)貝葉斯框架對(duì)要跟蹤的目標(biāo)和它的局部上下文區(qū)域的時(shí)空關(guān)系進(jìn)行建模，得到目標(biāo)和其周?chē)鷧^(qū)域低級(jí)特征的統(tǒng)計(jì)相關(guān)性.然后綜合這一時(shí)空關(guān)系和生物視覺(jué)系統(tǒng)上的關(guān)注特性來(lái)評(píng)估新的一幀中目標(biāo)出現(xiàn)位置的置信圖，置信值最大的位置就是新一幀中目標(biāo)的位置.

在運(yùn)動(dòng)目標(biāo)跟蹤過(guò)程中，可以將跟蹤問(wèn)題描述為計(jì)算一個(gè)估計(jì)目標(biāo)位置X似然的置信圖：

c(X)=P(X|o)=

∑c(Z)∈XcP(X,c(Z)|o)=

∑c(Z)∈XcP(X|c(Z),o)*P(c(Z)|o)

(1)

式(1)中：X∈R2是運(yùn)動(dòng)目標(biāo)的位置，o表示場(chǎng)景中存在的對(duì)象.置信圖c(X)中最大的位置X*就是運(yùn)動(dòng)目標(biāo)的位置.從式(1)中可以看到，似然函數(shù)可以分解為兩個(gè)概率部分.一個(gè)是建模目標(biāo)與周?chē)舷挛男畔⒖臻g關(guān)系的條件概率P(X|c(Z),o)，一個(gè)是建模目標(biāo)局部上下文各個(gè)點(diǎn)X的上下文先驗(yàn)概率P(c(X)|o).而目標(biāo)位置與它的時(shí)空上下文關(guān)系即條件概率P(X|c(Z),o)需要通過(guò)學(xué)習(xí)得到.

(1)空間上下文模型

空間上下文模型描述的是條件概率函數(shù)：

P(X|c(Z),0)=hsc(X-Z)

(2)

式(2)中：hsc(X-Z)表示的是目標(biāo)和其時(shí)空上下文的關(guān)系.此模型通過(guò)在線學(xué)習(xí)獲得且隨著跟蹤的進(jìn)行不斷更新.

(2)上下文先驗(yàn)?zāi)Ｐ?/p>

上下文先驗(yàn)?zāi)Ｐ兔枋龅氖窍闰?yàn)概率函數(shù)：

P(c(Z)|o)=I(Z)*ωσ(Z-X*)

(3)

式(3)中：I(Z)為點(diǎn)Z的灰度值，描述的是上下文Z的外觀特征.ωσ是一個(gè)加權(quán)函數(shù)，其定義如下：

(4)

(3)置信圖

置信圖的定義如式(5)所示：

(5)

目標(biāo)X*的位置已知，則可以根據(jù)式(5)計(jì)算上下文區(qū)域中任一點(diǎn)X的似然得出上式中的置信圖.其中b是一個(gè)標(biāo)準(zhǔn)化常數(shù)，α是尺度參數(shù)，β是形狀參數(shù).

(4)時(shí)空模型的學(xué)習(xí)

基于上下文先驗(yàn)?zāi)Ｐ秃椭眯艌D來(lái)學(xué)習(xí)時(shí)空模型：

∑Z∈ΩC(X*)hsc(X-Z)*I(Z)*ωσ(Z-X*)=

hsc(X)?(I(X)*ω(X-X*))

(6)

式(6)中的卷積可以通過(guò)快速傅里葉變換來(lái)加速運(yùn)算：

F(hsc(X))*F(I(X)*ωσ(X-X*))

(7)

由式(7)可以得到學(xué)習(xí)的空間上下文模型如下：

(8)

根據(jù)式(8)可以對(duì)時(shí)空上下文模型進(jìn)行更新：

(9)

得到時(shí)空上下文模型后就可以在新的一幀圖像中計(jì)算目標(biāo)的置信圖，置信圖中值最大的位置就是目標(biāo)的位置.

ct+1(X)=

(10)

(11)

基于時(shí)空上下文的運(yùn)動(dòng)目標(biāo)跟蹤算法步驟如下：

Step1對(duì)于第k幀圖像，根據(jù)第k幀中運(yùn)動(dòng)目標(biāo)的位置學(xué)習(xí)時(shí)空上下文模型；

Step2由時(shí)空上下文模型更新公式計(jì)算得到第k+1幀的時(shí)空上下文模型；

Step3根據(jù)第k+1幀的時(shí)空上下文模型及上下文先驗(yàn)?zāi)Ｐ涂傻玫降趉+1幀的置信圖；

Step4通過(guò)計(jì)算第k+1幀置信圖中的最大值最終得到k+1幀時(shí)運(yùn)動(dòng)目標(biāo)所在位置.

2 Kalman濾波

Kalman濾波[14]利用目標(biāo)的動(dòng)態(tài)信息，設(shè)法去掉噪聲的影響，得到一個(gè)關(guān)于目標(biāo)位置的較好估計(jì).這個(gè)估計(jì)值可以是對(duì)當(dāng)前目標(biāo)位置的估計(jì)(濾波)，也可以是對(duì)將來(lái)位置的估計(jì)(預(yù)測(cè))，也可以是對(duì)過(guò)去位置的估計(jì)(插值或平滑).本文引入Kalman濾波利用目標(biāo)的歷史位置信息來(lái)對(duì)目標(biāo)當(dāng)前幀的位置進(jìn)行估計(jì).其中Kalman濾波中的狀態(tài)變量和觀測(cè)值均為目標(biāo)的位置信息.Kalman濾波算法的模型如式(12)、(13)所示：

信號(hào)模型：

Xk=AkXk-1+BkXk

(12)

觀測(cè)模型：

Zk=HkXk+Vk

(13)

式(12)～(13)中：Ak是系統(tǒng)矩陣，Bk是輸入矩陣，Xk為狀態(tài)向量，動(dòng)態(tài)噪聲Wk和觀測(cè)噪聲Vk為互不相關(guān)的均值白噪聲序列；Hk為觀測(cè)矩陣，Zk為觀測(cè)向量.

要完成運(yùn)動(dòng)目標(biāo)的跟蹤，首先要解決運(yùn)動(dòng)目標(biāo)的模型問(wèn)題，假設(shè)目標(biāo)是勻速運(yùn)動(dòng)的，則運(yùn)動(dòng)目標(biāo)動(dòng)態(tài)特性包括位置、速度，由狀態(tài)向量Xk=[xk,yk,vxk,vyk]T表示，其中xk，yk分別為目標(biāo)質(zhì)心的x，y坐標(biāo)；vxk，vyk分別為目標(biāo)速度在x，y軸上的分量；觀測(cè)向量Zk=[xk,yk]T.

本文所采用的信號(hào)模型為：

(14)

觀測(cè)模型為：

(15)

Kalman濾波方程如下：

時(shí)間更新：

(16)

(17)

狀態(tài)更新：

(18)

(19)

(20)

本文中引入Kalman濾波對(duì)目標(biāo)的位置進(jìn)行估計(jì)，因此輸入狀態(tài)向量uk-1=0.在Kalman濾波過(guò)程中觀測(cè)向量對(duì)濾波狀態(tài)的更新起著至關(guān)重要的作用.

基于卡爾曼濾波運(yùn)動(dòng)目標(biāo)跟蹤算法的步驟如下：

Step1檢測(cè)運(yùn)動(dòng)目標(biāo)，并為該目標(biāo)初始化卡爾曼濾波器，用于預(yù)測(cè)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)狀態(tài)，并根據(jù)運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果，將其作為系統(tǒng)的觀測(cè)值；

Step3誤差協(xié)方差矩陣時(shí)間更新，由上一時(shí)刻的誤差協(xié)方差Pk-1，得到下一時(shí)刻的誤差協(xié)方差；

Step5誤差協(xié)方差的修正，根據(jù)誤差協(xié)方差的預(yù)測(cè)結(jié)果修正得到誤差協(xié)方差矩陣，得到最小化的誤差協(xié)方差；

Step6運(yùn)動(dòng)目標(biāo)狀態(tài)的修正，對(duì)狀態(tài)預(yù)測(cè)結(jié)果和觀測(cè)結(jié)果做加權(quán)平均，得到當(dāng)前時(shí)刻的狀態(tài)估計(jì).

3 基于時(shí)空上下文與Kalman濾波的目標(biāo)跟蹤

根據(jù)基于時(shí)空上下文的目標(biāo)跟蹤算法原理可以知道，算法是根據(jù)前一幀的時(shí)空上下文模型更新計(jì)算得到當(dāng)前幀的時(shí)空上下文模型的，而當(dāng)前幀的時(shí)空上下文模型直接決定了當(dāng)前幀目標(biāo)跟蹤位置的準(zhǔn)確性.當(dāng)目標(biāo)沒(méi)有發(fā)生嚴(yán)重遮擋時(shí)，算法可以準(zhǔn)確地跟蹤運(yùn)動(dòng)目標(biāo)，但是當(dāng)目標(biāo)發(fā)生嚴(yán)重遮擋且持續(xù)時(shí)間較長(zhǎng)的情況下，基于時(shí)空上下文的跟蹤會(huì)將遮擋物誤認(rèn)為跟蹤目標(biāo)，從而使得跟蹤失效.而Kalman濾波過(guò)程包括預(yù)測(cè)和修正兩個(gè)部分，其可以根據(jù)系統(tǒng)的歷史狀態(tài)信息得到對(duì)當(dāng)前狀態(tài)的一個(gè)較好估計(jì).因而，為了解決跟蹤過(guò)程中由于遮擋帶來(lái)的跟蹤失效問(wèn)題，本文考慮當(dāng)目標(biāo)發(fā)生嚴(yán)重遮擋時(shí)，采用Kalman濾波的時(shí)間更新，利用目標(biāo)歷史位置信息與運(yùn)動(dòng)信息從而得到對(duì)當(dāng)前幀目標(biāo)位置的一個(gè)初始估計(jì).

因此，本文提出了一種基于時(shí)空上下文與Kalman濾波的視頻目標(biāo)跟蹤算法，其具體過(guò)程為：首先通過(guò)鼠標(biāo)手動(dòng)框出運(yùn)動(dòng)目標(biāo)作為初始化的目標(biāo)位置，同時(shí)對(duì)運(yùn)動(dòng)目標(biāo)所在區(qū)域進(jìn)行提取；然后通過(guò)基于時(shí)空上下文的跟蹤算法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤；在每一幀中首先判斷目標(biāo)是否發(fā)生了嚴(yán)重遮擋，當(dāng)目標(biāo)沒(méi)有發(fā)生遮擋時(shí)，則以基于時(shí)空上下文的跟蹤結(jié)果作為Kalman濾波的觀測(cè)值來(lái)更新Kalman的濾波狀態(tài)；當(dāng)目標(biāo)發(fā)生嚴(yán)重遮擋時(shí)，此時(shí)基于時(shí)空上下文的跟蹤結(jié)果失效，則以Kalman的預(yù)測(cè)值作為Kalman濾波的觀測(cè)值來(lái)更新Kalman的濾波狀態(tài).

當(dāng)目標(biāo)發(fā)生嚴(yán)重遮擋時(shí)，基于時(shí)空上下文的運(yùn)動(dòng)目標(biāo)檢測(cè)會(huì)出現(xiàn)誤跟現(xiàn)象，此時(shí)若以其跟蹤結(jié)果作為Kalman濾波的觀測(cè)值來(lái)更新Kalman濾波的狀態(tài)必然會(huì)導(dǎo)致跟蹤錯(cuò)誤.因此首先需要判斷目標(biāo)是否發(fā)生了嚴(yán)重遮擋.

在通過(guò)手動(dòng)框選運(yùn)動(dòng)目標(biāo)之后，以此時(shí)的位置作為目標(biāo)的初始位置，記為[x0,y0,width,height].在初始幀中提取運(yùn)動(dòng)目標(biāo)所在區(qū)域記為img_src，根據(jù)當(dāng)前幀中基于時(shí)空上下文的目標(biāo)跟蹤結(jié)果[x,y,width,height]提取目標(biāo)在當(dāng)前幀中的所在區(qū)域記為img_dst，通過(guò)計(jì)算在不同幀中提取的運(yùn)動(dòng)目標(biāo)所在區(qū)域圖像對(duì)應(yīng)的灰度直方圖向量的相關(guān)系數(shù)[15]來(lái)判斷目標(biāo)是否發(fā)生了嚴(yán)重遮擋.

相關(guān)系數(shù)r是一種數(shù)學(xué)距離，可以用來(lái)衡量?jī)蓚€(gè)向量的相似程度.它起源于余弦定理：

cos(A)=(a2+c2-b2)/2bc

(21)

如果兩個(gè)向量的夾角為0度(對(duì)應(yīng)r=1)，說(shuō)明其完全相似；如果夾角為90度(r=0)，則其完全不相似；如果夾角為180度(r=-1)，則其完全相反.把余弦定理寫(xiě)成向量的形式：

cos(A)=〈b,c〉(|b|*|c|)

(22)

即：

cos(A)=

(23)

式(23)中：分子為兩個(gè)向量的內(nèi)積，分母表示兩個(gè)向量的模相乘.本文通過(guò)設(shè)定特定閾值T來(lái)判斷目標(biāo)是否發(fā)生了嚴(yán)重遮擋，其中0

閾值T的確定：通過(guò)統(tǒng)計(jì)不同相關(guān)系數(shù)閾值下遮擋判斷的準(zhǔn)確率來(lái)確定最終的閾值.比如在pets2009視頻集的camera2測(cè)試視頻中，遮擋情況下相關(guān)系數(shù)閾值分別取0.6、0.7、0.8、0.9時(shí)的遮擋情況判斷準(zhǔn)確率如表1所示.

表1 不同閾值遮擋情況判斷結(jié)果

由表1的數(shù)據(jù)可以看到，當(dāng)閾值取為0.9時(shí)遮擋判斷準(zhǔn)確最好，所以本文將閾值取為0.9.本文仿真實(shí)驗(yàn)中其他視頻集按照該方法選取的閾值是0.9.

若當(dāng)前幀中相關(guān)系數(shù)r小于閾值T時(shí)，認(rèn)為目標(biāo)發(fā)生了嚴(yán)重遮擋，此時(shí)將Kalman濾波根據(jù)上一幀跟蹤結(jié)果所得的預(yù)測(cè)位置作為當(dāng)前幀Kalman濾波的觀測(cè)值對(duì)當(dāng)前幀Kalman濾波狀態(tài)進(jìn)行更新；若相關(guān)系數(shù)r大于閾值T時(shí)，則認(rèn)為運(yùn)動(dòng)目標(biāo)沒(méi)有發(fā)生嚴(yán)重遮擋，采用基于時(shí)空上下文的當(dāng)前幀目標(biāo)跟蹤結(jié)果作為當(dāng)前幀Kalman濾波的觀測(cè)值對(duì)當(dāng)前幀Kalman濾波狀態(tài)進(jìn)行更新.

本文提出的改進(jìn)視頻目標(biāo)跟蹤算法流程圖如圖1所示.

圖1 本文提出的改進(jìn)目標(biāo)跟蹤算法流程圖

4 仿真結(jié)果分析

本文以中科院人體行為分析數(shù)據(jù)庫(kù)中的walk視頻與pets2009視頻集為測(cè)試視頻，其中walk視頻為目標(biāo)未發(fā)生嚴(yán)重遮擋的情況，pets2009為目標(biāo)發(fā)生嚴(yán)重遮擋的情況.在這兩組測(cè)試視頻上分別對(duì)MeansShift目標(biāo)跟蹤、基于時(shí)空上下文的目標(biāo)跟蹤與本文提出的改進(jìn)目標(biāo)跟蹤算法進(jìn)行仿真，其跟蹤效果如圖2～4所示.

(a)未發(fā)生嚴(yán)重遮擋情況下的目標(biāo)跟蹤效果圖

(b)發(fā)生嚴(yán)重遮擋情況下的目標(biāo)跟蹤效果圖圖2 Meanshift目標(biāo)跟蹤效果圖

(a)未發(fā)生嚴(yán)重遮擋情況下的目標(biāo)跟蹤效果圖

(b)發(fā)生嚴(yán)重遮擋情況下的目標(biāo)跟蹤效果圖圖3 基于時(shí)空上下文的目標(biāo)跟蹤效果圖

(a)未發(fā)生嚴(yán)重遮擋情況下的目標(biāo)跟蹤效果圖

(b)發(fā)生嚴(yán)重遮擋情況下的目標(biāo)跟蹤效果圖圖4 基于時(shí)空上下文與Kalman濾波算法目標(biāo)跟蹤效果圖

通過(guò)對(duì)比仿真結(jié)果圖可以看到，當(dāng)目標(biāo)未發(fā)生嚴(yán)重遮擋情況時(shí)，MeanShift目標(biāo)跟蹤當(dāng)目標(biāo)顏色與背景顏色接近時(shí)出現(xiàn)了誤跟，而基于時(shí)空上下文的目標(biāo)跟蹤與本文算法的目標(biāo)跟蹤效果較接近，都能實(shí)現(xiàn)準(zhǔn)確的目標(biāo)跟蹤，且對(duì)目標(biāo)部分遮擋都具有較好的抗干擾性，例如圖3(a)里的200幀與圖4(a)里的200幀跟蹤效果圖；當(dāng)目標(biāo)發(fā)生嚴(yán)重遮擋時(shí)，可以看到MeanShift目標(biāo)跟蹤與基于時(shí)空上下文的目標(biāo)跟蹤均出現(xiàn)了跟蹤失效，如圖2(b)里的338幀和380幀跟蹤效果圖以及圖3(b)里的338幀和380幀跟蹤效果圖.而本文算法依然可以實(shí)現(xiàn)準(zhǔn)確的目標(biāo)跟蹤，如圖4(b)里的338幀和380幀跟蹤效果圖.

為了定量評(píng)價(jià)算法的跟蹤效果，本文通過(guò)跟蹤中心誤差以及跟蹤速率來(lái)對(duì)算法進(jìn)行評(píng)價(jià).其中跟蹤中心位置誤差可以用跟蹤目標(biāo)的中心位置(x,y)與手工標(biāo)注的真實(shí)位置(x′,y′)的平均歐式距離來(lái)表示.如式(24)所示：

(24)

本文以人體行為分析數(shù)據(jù)庫(kù)中的walk視頻、pets2009中的camera2視頻為測(cè)試視頻，通過(guò)手工標(biāo)定目標(biāo)的中心位置.其中walk視頻中存在背景與前景顏色相近以及部分遮擋等情況；camera2中存在目標(biāo)被完全遮擋的情況.三種目標(biāo)跟蹤算法在不同視頻集上的跟蹤中心誤差如圖5所示.

(a)walk視頻上的跟蹤誤差對(duì)比

(b)pets2009視頻上的跟蹤誤差對(duì)比圖5 三種目標(biāo)跟蹤算法在不同視頻上的跟蹤中心誤差變化曲線

通過(guò)對(duì)比圖5中基于時(shí)空上下文與本文算法的跟蹤中心誤差變化曲線可以看到，在目標(biāo)未發(fā)生嚴(yán)重遮擋的情況下，本文算法的整體跟蹤誤差要小于時(shí)空上下文目標(biāo)跟蹤與MeanShift目標(biāo)跟蹤；當(dāng)目標(biāo)被嚴(yán)重遮擋時(shí)，時(shí)空上下文的目標(biāo)跟蹤算法與與MeanShift跟蹤均失效，中心誤差逐漸增大，本文算法跟蹤中心誤差雖然也有所增加但是跟蹤中心誤差最大不超過(guò)25，所以綜合來(lái)看本文算法跟蹤中心誤差要小于時(shí)空上下文的跟蹤，算法具有一定的抗遮擋性.

兩種算法的平均跟蹤速率對(duì)比如表2所示.

表2 平均跟蹤速率對(duì)比

通過(guò)表2可以看到，本文算法由于加入了Kalman濾波機(jī)制，因此平均跟蹤速率相較于時(shí)空上下文跟蹤有所提升，可以達(dá)到20幀/s，因此可以實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)跟蹤.

5 結(jié)論

針對(duì)目標(biāo)跟蹤過(guò)程中，當(dāng)目標(biāo)發(fā)生嚴(yán)重遮擋時(shí)基于時(shí)空上下文的目標(biāo)跟蹤算法容易出現(xiàn)跟蹤失效的問(wèn)題，本文提出了一種基于時(shí)空上下文與Kalman濾波的視頻目標(biāo)跟蹤算法，能夠克服當(dāng)目標(biāo)發(fā)生嚴(yán)重遮擋時(shí)誤跟與錯(cuò)跟的問(wèn)題，可以實(shí)現(xiàn)準(zhǔn)確的目標(biāo)跟蹤，且能夠?qū)崟r(shí)跟蹤運(yùn)動(dòng)目標(biāo).但是在跟蹤過(guò)程中算法并沒(méi)有考慮多尺度目標(biāo)跟蹤的問(wèn)題，因此在后續(xù)工作中將加入多尺度因素從而使算法能夠達(dá)到更好的跟蹤效果.