基于形態(tài)模型的目標跟蹤的研究.pdf

1、目標追蹤的是許多像視頻監(jiān)視(surveillance),基于視覺的控制,人機交互接口(human-computer interface),虛擬現實(augmented real-ity)等應用的中心問題。主要的方法分為確定性方法,即把問題當成一個優(yōu)化問題來最大化一個相似度,如SSE, Meanshift等。另一種是基于概率的方法,如particle filter。本文首先簡單介紹了一下當前目標追蹤算法的研究現狀。之后,我們把目標追蹤算法

2、分成三個主要組成部分(相似度規(guī)則,搜索算法和更新規(guī)則),分別加以討論。并在后面的論述中,我們將主要圍繞這三個組成部分來介紹。從第二至第四章,我們每一章將重點介紹一個目標跟蹤算法。第二章中,我們主要處理的問題是光照敏感性的問題。我們基于子空間算法的框架,結合使用基于梯度方向的圖像特征,并且在理論上給出了使用梯度方向向量在光照條件變化的情況下具有一定的魯棒性。另外,通過實驗,我們也充分表明了我們的算法優(yōu)于直接使用原始像素點的子空間算法。在第

3、三章中,我們主要解決的是遮擋問題。由于遮擋問題對目前的目標追蹤問題來講,是一個非常嚴重并且很難解決的問題。為了解決這個問題,我們使用Robust PCA來取代PCA,這樣做的效果非常明顯。它不但在預測目標對象位置時,能準確的判別對象位置,無論有多大的遮擋存在。另外,它也可以作為一種標準用以控制模板的更新?；赗obust PCA的結果,我們提出了遮擋處理策略。也就是把每幀的目標對象與一個狀態(tài)相關聯,每個狀態(tài)都有一固定的動作。狀態(tài)之間的轉

4、化主要根據Robust PCA的結果。通過這個策略,我們很好的解決了目標對象的更新問題。在第四章中,我們放棄了使用子空間的算法框架,轉而優(yōu)化粒子濾波器的Proposal Distribution。通過引入基于霍夫變換的粒子濾波器框架,把原先的算法發(fā)成兩部分,首先是通過霍夫變化來求出目標對象中心的一個粗略位置,然后使用Haar特征的粒子濾波器算法來優(yōu)化這個結果。在更新模板過程中,我們充分使用了兩種的方法優(yōu)點,設計了一種更新策略。在第五章中