基于稀疏外觀模型學習的目標持續(xù)性跟蹤算法研究.pdf

1、視頻目標跟蹤是機器視覺領域中的研究熱點，已經(jīng)被廣泛地應用到各個領域。然而，由于跟蹤場景復雜性和目標運動不確定性等因素，實現(xiàn)目標的持續(xù)性跟蹤存在很多困難。為了解決這些問題，近年來，豐富的機器學習方法（如子空間學習、度量學習、流型學習和深度學習等）被引入到視頻跟蹤研究中，旨在使目標的外觀模型具有學習能力，從而及時適應目標不同的外觀表現(xiàn)形式（如部分遮擋、光線變化和運動模糊等），然后利用觀測模型從目標候選集合匹配出最佳的跟蹤狀態(tài)。
　　這

2、類基于外觀模型學習的視頻跟蹤方法，從目標表示模型設計、觀測似然方式設計和基于運動估計的候選目標集合構造等方面進行深入研究，為視頻目標持續(xù)性跟蹤問題的有效解決帶來了新的思路。本論文基于外觀模型學習的基本框架，從如何設計外觀模型增強目標表征能力和如何利用運動模型提高候選目標質量的角度展開研究，主要研究工作和創(chuàng)新點描述如下：
　　1．提出一種基于稀疏約束增量非負矩陣分解（Incremental non-negativematrix fa

3、ctorization,INMF）的視頻目標跟蹤方法。該算法基于目標的NMF子空間表示和稀疏表示兩方面理論，將非負約束引入到基于矩陣分解的稀疏外觀模型構造中，采用NMF基向量代替?zhèn)鹘y(tǒng)稀疏表示中的像素級別的原子，通過迭代優(yōu)化求解策略獲得最優(yōu)的外觀模型。然后，利用INMF學習確定模型參數(shù)，完成字典更新，實現(xiàn)持續(xù)性目標跟蹤。試驗結果證明，提出的算法對光線變化、運動模糊和部分遮擋等問題具有更好的跟蹤精度。
　　2.提出一種多任務稀疏原型的

4、視頻目標跟蹤算法。該方法通過挖掘稀疏表示模型中原子之間相關性的角度提高目標表示能力，將經(jīng)典的單任務稀疏原型跟蹤算法拓展到多任務學習框架下，并采用Dirty模型設計組群約束以共享基向量間的共同特征。同時，設計逐元素約束以體現(xiàn)基向量間的差異性特征，避免傳統(tǒng)多任務學習中暴力強迫所有單任務分享相同結構特征而導致模型表達能力下降的問題。然后，利用加速逼近梯度下降（accelerated proximal gradient，APG）方法求解最優(yōu)化問

5、題，確定模型參數(shù)。最后，利用增量主成分分析（Incremental Principal Component Analysis,IPCA）學習模型參數(shù)，完成字典更新，實現(xiàn)目標持續(xù)性跟蹤。試驗結果證明，提出的算法對光線變化、運動模糊和部分遮擋等問題具有更好的跟蹤精度。
　　3.提出一種基于SIFT flow運動預測的稀疏跟蹤算法。該方法在多跟蹤器框架下對傳統(tǒng)稀疏表示跟蹤方法進行拓展，首次將SIFT flow方法引入跟蹤問題，解決因目標