第 1 章 绪论
1.1 课题背景及研究的目的和意义
伴随着现代科学技术的不断创新发展，人民生活质量的不断提高，不论是个人还是团体，安全防范意识也在逐步增强，人们越来越重视对于视频监控系统的使用。现如今，在道路交通[1]、智能小区、军事等各领域都使用了视频监控系统。视频监控系统已逐步取代了原始简单的功能，像人工监视的视频、多画面显示的系统以及硬盘录像类，利用计算机的功能向智能监控的方向迈进。智能视频监控[2,3]是计算机领域中新兴的一个高科技应用，受到了广泛的关注和研究。其中，智能视频监控利用图像处理和机器视觉的相关方法，自动并实时地对监控视频进行分析，通过对动态场景中目标的分析，能够完成对目标位置的确定、目标的识别以及目标的实时跟踪等一系列任务，进而能进一步分析出目标的行为，而目标跟踪技术作为智能监控系统的核心必将成为科学研究领域的新宠。
...............
1.2 国内外研究现状
目标跟踪的问题备受国内外学者们的热捧，不断地对该领域逐步深入研究并发表了大量的论文。在众多举足轻重的国际期刊和会议上目标跟踪问题也成为关注的焦点，如 ECCV、CVPR、ICCV 等。下面将对几种典型的目标跟踪算法进行介绍。1.基于模板匹配的目标跟踪算法 基于模板匹配的目标跟踪算法[5]实现的基本流程如图 1-1 所示，利用标注好的视频序列图像来构建目标的特征模型，随后提取当前帧中待测图像的特征，将构建的特征模型与提取的特征进行匹配，标注出当前帧中待测图像的目标。这种跟踪算法依靠的是目标本身的特征，受外界干扰少，但采用固定的模板使跟踪效果不佳，因此通常会加入模板的更新过程。其中，常用的几种跟踪算法如：归一化互相关(Normalized Cross Correlation,NCC)匹配目标跟踪算法[6]，KLT(Kanade-Lucas-Tomasi)光流法[7]，卡尔曼滤波(Kalman Filter Algorithm, KAT)[8]，均值移位法(Mean Shift, MST)[9]等。
...............
第 2 章 目标跟踪算法概述
2.1 图像目标的表示
根据选择的跟踪方法以及被跟踪目标类型的不同，需要选取不同的表示形式，可以用点、简单的几何图形、目标轮廓或剪影、链状区域和骨干结构进行表示。另外，也可以采用多种表示形式共同来表示目标。1.点 用点来表示目标的关键性特征，如质心和关节点。当目标占据图像较小的一部分时，如远处空中的小鸟，渺小的行人等，一般用点来表示。2.简单的几何图形 用圆形框、矩形框标定目标的位置，这种方法在目标跟踪中被广泛应用。不仅适用于刚性目标，这种简单的表示方法对于人等非刚性目标也同样适用，本文就是采用简单的矩形框对目标进行标定。
...............
2.2 目标的特征描述
目标特征描述的好坏直接影响到跟踪的效果，因此需要寻找一种能够很好的区分目标与背景之间的特征来表示目标。同时，该特征也能够应对目标的变化带来的干扰。颜色特征、边缘特征、纹理特征、结构特征等都是描述目标特征的方法。下面将对这几种特征进行详细的描述。1.颜色特征 颜色特征是彩色图像具有的最突出的特征，不会因为目标的运动而发生变化，具有相对的稳定性，相比于灰度具有更为丰富的信息，普遍用三个互不相关的属性来描述颜色，即构成了颜色空间。常见的颜色空间模型有RGB、Lab、HSV、YCbCr 颜色空间等，其中本文中用到了 Lab 颜色空间。
...............
第 3 章 基于 HOG-SLBP 的目标检测算法研究...............16
3.1 目标检测算法概述...............16
3.2 图像目标的特征提取................17
第 4 章 基于改进的 TLD 目标跟踪算法研究...............30
4.1 TLD 目标跟踪算法的基本原理................30
4.2 基于 SLBP 分类器与 TLD 融合的跟踪算法...............37
第 4 章 基于改进的 TLD 目标跟踪算法研究
4.1 TLD 目标跟踪算法的基本原理
在 TLD 跟踪算法中，跟踪器是用来跟踪连续视频序列中的目标，能够利用当前帧预测下一帧中跟踪目标的位置。在本算法中利用的是中值光流(Median-Flow)跟踪算法[45]，采用的是光流特征，其中选取了100个特征点。中值光流跟踪算法采用的是基于金字塔 L-K(Lucas-Kanade)光流算法进行跟踪，同时利用前后向(Forward-Backward, FB)误差和特征点前后帧的相似度来进行检测和判断。
...............
4.2 基于 SLBP 分类器与 TLD 融合的跟踪算法
在 TLD 跟踪算法的检测器中，级联的三个分类器是单独工作的，只是前一分类器的结果会作为后一分类器的输入，经过方差分类器和集成分类器筛选得到的待检测样本还需要第三个分类器进一步的处理，得到最终的跟踪结果，因此第三个分类器的选择至关重要。利用第 3 章中的目标检测理论，通过实验验证了 SLBP 特征能够很好的描述目标，因此在本章中将使用 SLBP 提取目标特征向量，完成样本的分类。为了进一步提高检测器的跟踪性能，下面将对TLD中的检测模块进行改进。
...............
结论
目标跟踪在智能视频监控、军事、体育等方面的应用越来越广泛，同时也将面临着极大的挑战，在对遮挡处理、目标模糊、光照变化等方面存在着跟踪目标丢失的问题。本文就针对目标跟踪的问题展开，首先目标跟踪问题需要确保在当前帧中跟住目标的前提下，能够实时地在下帧中跟住目标，这就要求跟踪具有一定的实时性和准确性。本文采用的是基于检测的TLD单目标跟踪算法，在跟踪的同时，将检测算法加入其中，进一步保证了跟踪的准确性。针对跟踪问题主要进行了以下几个方面的研究：1. 介绍了目标可以用点、矩形框、链状结构、骨干结构、目标轮廓等表示，分析了各自的适用范围，本文最终采用的是较简单但对特征提取要求比较高的矩形框来进行表示，同时对颜色特征、边缘特征、纹理特征、结构特征等进行了概述，并详细介绍了几种常用的监督学习算法及优缺点。
参考文献（略）
