基于稀疏表示的視覺目標(biāo)跟蹤方法研究.pdf

1、視頻序列中的目標(biāo)跟蹤問題是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)，它融合了機(jī)器學(xué)習(xí)與模式識(shí)別等領(lǐng)域的研究成果，在視頻監(jiān)控、智能交通以及現(xiàn)代軍事中得到了廣泛的應(yīng)用。針對(duì)目標(biāo)跟蹤問題，國內(nèi)外的研究者們開展了大量的研究，并提出了許多行之有效的跟蹤算法，但是如何在復(fù)雜多變的自然場景中對(duì)表觀變化的目標(biāo)進(jìn)行魯棒的跟蹤仍然是一個(gè)極具挑戰(zhàn)性的問題。常見的跟蹤難點(diǎn)包括:場景光流的變化、目標(biāo)尺度的變化、局部遮擋、目標(biāo)的非剛性形變以及位姿的變化等。這些難點(diǎn)導(dǎo)致目標(biāo)在視頻中

2、的表觀呈現(xiàn)出非線性的變化，從而使跟蹤問題變得更加復(fù)雜。本文針對(duì)上述難點(diǎn)問題，對(duì)目標(biāo)跟蹤問題進(jìn)行了深入的研究，旨在提高目標(biāo)跟蹤算法的準(zhǔn)確性和魯棒性。本文的主要貢獻(xiàn)如下:
　　(1)提出了一種基于整體稀疏表示粒子預(yù)判的兩步目標(biāo)跟蹤算法。針對(duì)大多數(shù)相關(guān)算法需要對(duì)全部采樣粒子進(jìn)行觀測建模的問題，該算法在第一步采用整體模板的稀疏表示來建模粒子預(yù)判問題，并通過粒子預(yù)判去除偏離目標(biāo)真實(shí)狀態(tài)較遠(yuǎn)的粒子，能夠有效減少樣本的數(shù)目，提高算法效率。為了降

3、低跟蹤中發(fā)生漂移的可能性，該算法在第二步將目標(biāo)的初始狀態(tài)和當(dāng)前狀態(tài)同時(shí)作為觀測參考，提高了跟蹤結(jié)果的準(zhǔn)確性。多個(gè)測試視頻的跟蹤實(shí)驗(yàn)結(jié)果表明了該算法的有效性。
　　(2)提出了一種基于局部判別稀疏表示的目標(biāo)跟蹤算法。該算法針對(duì)現(xiàn)有相關(guān)算法對(duì)目標(biāo)與背景區(qū)分能力不足的問題，增加了局部背景圖像作為負(fù)樣本來訓(xùn)練字典，兼顧了字典的表達(dá)能力和判別能力;針對(duì)現(xiàn)有局部稀疏模型缺少目標(biāo)全局信息的問題，將目標(biāo)建模為指定局部圖像在字典空間上的稀疏編碼直方

4、圖，這些局部圖像構(gòu)成了稀疏字典且具有一定的結(jié)構(gòu)性，因此目標(biāo)模型能夠有效地聯(lián)合目標(biāo)的局部特征和全局結(jié)構(gòu)特征。為了提高觀測模型的準(zhǔn)確性，設(shè)計(jì)了基于目標(biāo)結(jié)構(gòu)信息的相似性系數(shù)來衡量目標(biāo)與樣本間的相似性，并對(duì)目標(biāo)模型進(jìn)行主動(dòng)的更新以適應(yīng)跟蹤中的表觀變化。實(shí)驗(yàn)結(jié)果表明該算法能夠處理大部分的跟蹤難點(diǎn)問題，并且具有較高的跟蹤精度。
　　(3)提出了一種基于加權(quán)結(jié)構(gòu)稀疏表示的目標(biāo)跟蹤算法。該算法采用結(jié)構(gòu)稀疏表示對(duì)目標(biāo)建模，能夠充分利用目標(biāo)局部圖像間

5、的結(jié)構(gòu)信息，有效地避免了模型的退化;同時(shí)在結(jié)構(gòu)稀疏字典中添加背景信息，能夠增強(qiáng)模型對(duì)背景的判別能力;此外根據(jù)局部圖像在表達(dá)目標(biāo)時(shí)所起的作用分配重要性權(quán)重，并將目標(biāo)建模為加權(quán)結(jié)構(gòu)稀疏模型，極大地提高了模型的魯棒性;為了減輕局部遮擋對(duì)跟蹤的影響，在設(shè)計(jì)觀測模型時(shí)增加了遮擋檢測模塊。在多個(gè)測試視頻上的實(shí)驗(yàn)結(jié)果表明加權(quán)結(jié)構(gòu)稀疏模型對(duì)目標(biāo)表觀變化具有很好的適應(yīng)性，該算法在跟蹤中表現(xiàn)出良好的魯棒性和準(zhǔn)確性。
　　(4)提出了一種基于局部聯(lián)合稀

6、疏表示的多任務(wù)跟蹤算法。該算法針對(duì)相關(guān)算法對(duì)樣本結(jié)構(gòu)信息利用不足的問題，將樣本中局部圖像的稀疏編碼視為獨(dú)立的任務(wù)，并在多任務(wù)學(xué)習(xí)框架下對(duì)所有樣本的局部圖像進(jìn)行聯(lián)合稀疏編碼。這種聯(lián)合稀疏編碼能夠最大程度地挖掘樣本內(nèi)部以及樣本之間的結(jié)構(gòu)關(guān)系，在增加模型表達(dá)能力的同時(shí)提高算法的工作效率。此外，還設(shè)計(jì)了聯(lián)合相似性度量函數(shù)，從整體和局部兩個(gè)方面衡量目標(biāo)和樣本之間的相似程度，提高了觀測模型的可靠性。實(shí)驗(yàn)表明該算法在測試視頻上具有更加準(zhǔn)確的跟蹤結(jié)果。