增量型目標跟蹤關(guān)鍵技術(shù)研究.pdf

1、在當今信息化社會中，視頻監(jiān)控、視頻檢索、人機交互以及視頻編解碼等各種與視頻相關(guān)的應(yīng)用不斷涌現(xiàn)出來，與這些應(yīng)用相隨的是海量的視頻數(shù)據(jù)，計算機視覺研究的發(fā)展則為這些海量視頻數(shù)據(jù)的處理提供了技術(shù)支撐。借助于目標檢測、跟蹤等視頻處理技術(shù)，計算機能夠自動分析、識別目標物的運動狀態(tài)與行為，使得視頻數(shù)據(jù)的處理變得更為智能化。目前，經(jīng)過人們在目標跟蹤領(lǐng)域長期的研究，目標跟蹤技術(shù)已經(jīng)有了長足的發(fā)展，但是在復(fù)雜場景中對任意目標物進行穩(wěn)定、準確的跟蹤仍然是一

2、件困難的事情。外觀模型是目標跟蹤算法框架中的核心組成部分，其根據(jù)從底層提取的圖像信息對視頻中可能的目標物圖像區(qū)域進行判斷和決策，因此直接影響著目標跟蹤的性能。但是視點的改變、光照的變化以及部分遮擋等因素的存在都會引起目標跟蹤誤差的產(chǎn)生，甚至造成目標物的丟失。
　　 建立具有自適應(yīng)性的外觀模型是提高目標跟蹤性能的關(guān)鍵，據(jù)此，本文從子空間學習方法與有監(jiān)督學習方法出發(fā)，以增量的方式構(gòu)造可在線更新的目標物外觀模型，并在此基礎(chǔ)上設(shè)計跟蹤算

3、法對視頻中的目標物實施跟蹤。本文的主要研究內(nèi)容包括：
　　 (1)提出了基于加權(quán)增量子空間的目標跟蹤方法。利用視頻中的目標圖像集合構(gòu)造一個低維子空間，以此作為目標物的外觀模型。在后續(xù)視頻序列中采集圖像樣本，根據(jù)這些樣本在子空間中的投影重構(gòu)原圖，由原圖與重構(gòu)圖像之間的差值估算圖像為目標區(qū)域的似然度，選取具有最大似然度的樣本作為目標圖像區(qū)域。根據(jù)當前幀中確定的目標圖像樣本，以增量的方式對目標外觀模型進行更新，考慮到視頻所具有的時序特

4、性，賦予樣本與時間相關(guān)的權(quán)值，以此構(gòu)造一個更符合當前目標物外觀變化的子空間外觀模型，在視點、光照變化以及部分遮擋情況下的實驗結(jié)果驗證了該方法的穩(wěn)定性與準確性。
　　 (2)提出了基于增量型非負矩陣分解的目標跟蹤方法。采用非負矩陣分解方法對目標圖像集合建立低維子空間描述，使得每個圖像樣本都可以由一組基圖像線性表示，根據(jù)相鄰視頻幀中目標圖像在坐標向量上的強相關(guān)性，可以由前一幀視頻中已知的目標圖像來確定當前視頻幀中的目標區(qū)域，為此選取

5、具有最大相關(guān)性的圖像樣本作為當前幀中的目標圖像區(qū)域。在確定目標圖像以后，以增量的方式更新基圖像，以此完成子空間的在線更新，最后根據(jù)復(fù)雜場景中對剛性目標物與非剛性目標物跟蹤的結(jié)果總結(jié)了該方法的特點。
　　 (3)提出了基于增量線性判別空間的目標跟蹤方法。根據(jù)已有的目標類圖像樣本集與背景類圖像樣本集構(gòu)造一維線性判別空間，后續(xù)視頻中所采集的圖像樣本被投影到該判別空間中，樣本投影與目標類投影均值之間的歐氏距離度量了圖像樣本為目標圖像區(qū)域

6、的似然度，具有最大似然度的圖像樣本就為當前幀中的目標區(qū)域，在完成跟蹤以后，分別計算類別已知的圖像樣本類間散度矩陣與總體散度矩陣的充分生成集，在此基礎(chǔ)上以增量的方式更新投影矩陣，使判別空間保持判別能力。實驗結(jié)果表明，該方法能夠?qū)δ繕宋镞M行仿射不變的跟蹤。
　　 (4)提出了基于增量非對稱Boosting的目標跟蹤算法。根據(jù)Boosting算法構(gòu)造強分類器，利用其對視頻圖像中所采集的圖像樣本進行判別，以此確定目標圖像。設(shè)置了多個分類