復(fù)雜場景下的單目標(biāo)視覺跟蹤算法研究.pdf

1、視覺目標(biāo)跟蹤是計算機(jī)視覺領(lǐng)域的熱點研究問題，在智能監(jiān)控、醫(yī)學(xué)、人機(jī)交互、體育運動分析等領(lǐng)域取得了成功的應(yīng)用。盡管近年來視覺跟蹤算法研究取得了長足的進(jìn)步，但隨著現(xiàn)實應(yīng)用中的視覺場景變得越來越復(fù)雜，視覺跟蹤算法需要處理的難題也越來越多，這使得現(xiàn)有的視覺跟蹤算法無法適應(yīng)現(xiàn)實應(yīng)用的需要。這些復(fù)雜的場景可能包括:劇烈的光照變化引起的目標(biāo)外觀劇變;目標(biāo)運動的不確定性引起的運動突變等等。如何設(shè)計有效的跟蹤算法去處理這些跟蹤場景，是視覺跟蹤領(lǐng)域的研究者

2、們一直努力去解決的問題。在此背景下，本文研究了基于貝葉斯濾波框架的視覺跟蹤算法，結(jié)合粒子濾波算法和馬氏鏈蒙特卡羅采樣方法，解決復(fù)雜場景下的目標(biāo)跟蹤問題。本文的主要研究內(nèi)容包括:
　　(1)研究了粒子濾波算法及其在視覺跟蹤領(lǐng)域中的應(yīng)用問題，針對傳統(tǒng)的粒子濾波跟蹤算法存在的問題，提出了基于二階馬爾可夫假設(shè)和馬氏鏈蒙特卡羅(Markovchain Monte Carlo，MCMC)后驗采樣的魯棒粒子濾波跟蹤算法。該算法在粒子濾波算法框架

3、下基于二階馬爾可夫假設(shè)，假設(shè)系統(tǒng)當(dāng)前時刻的狀態(tài)與前兩個時刻的狀態(tài)有關(guān)，考慮歷史狀態(tài)的聯(lián)合后驗概率密度;同時拋棄傳統(tǒng)的重要性采樣方法，使用馬爾可夫鏈蒙特卡羅采樣方法，以避免多樣性缺失問題的影響。
　　(2)研究了目標(biāo)運動突變情況下的跟蹤問題?；陔S機(jī)采樣的跟蹤方法目前在突變運動跟蹤問題中得到了廣泛的應(yīng)用，本文針對現(xiàn)有的突變運動目標(biāo)跟蹤算法中存在的問題，提出了一種基于Hamiltonian馬氏鏈蒙特卡羅方法的突變目標(biāo)跟蹤算法。該算法采

4、用Hamiltonian動力學(xué)構(gòu)造馬氏鏈，能夠一定程度上抑制傳統(tǒng)的隨機(jī)采樣跟蹤算法的隨機(jī)游動行為，在狀態(tài)空間中搜索時，能夠避免陷入局部模式，有效捕獲發(fā)生突變的目標(biāo)，在多種不同類型的突變運動場景中均能有效跟蹤目標(biāo)。
　　(3)提出一種自適應(yīng)有序超松弛MCMC跟蹤算法。該算法以HMC跟蹤框架為基礎(chǔ)，針對傳統(tǒng)的MCMC跟蹤算法中的隨機(jī)游動行為，采用有序超松弛方法抑制Gibbs采樣過程的隨機(jī)游動行為，可以減少搜索有希望的目標(biāo)區(qū)域所需要的迭