基于字典學習的實時目標跟蹤算法研究與實現(xiàn).pdf

1、最近幾十年，隨著國家經(jīng)濟和科學技術的發(fā)展和進步，國家綜合實力獲得了快速增長。計算機視覺、人工智能、通信技術和多媒體技術等科學技術得到了長足的發(fā)展，其中，計算機視覺技術已經(jīng)成為當下最熱門的科學技術之一。運動目標跟蹤技術匯集了計算機視覺領域里大量的研究人員，在視頻圖像分析中，獲得了大量的應用，同時，它也是一門較前沿和跨多種學科的技術，融合了模式識別、圖像處理、人工智能等多領域的理論知識。經(jīng)過多年的發(fā)展，運動目標跟蹤技術在軍事制導、安防監(jiān)控、

2、智能交通、氣象分析、視頻編碼和視覺導航等多個領域得到了廣闊的應用，并取得了大量的實際應用價值。
　　目標跟蹤是視頻圖像分析中的核心和難點技術，跟蹤結果對智能監(jiān)控系統(tǒng)的效果起到了決定性的作用。在理論和實際應用中，該課題仍有些許問題和難點尚待解決。在復雜并動態(tài)變化的場景下，運動目標除了會受到周圍環(huán)境的影響，其自身運動導致的觀測形變也會帶來檢測和跟蹤的難度。
　　傳統(tǒng)的基于圖像特征匹配的跟蹤算法中提取的尺度不變特征可以獲得較好的匹

3、配跟蹤效果，然而這樣的特征提取比較耗時。本文提出了一種魯棒的實時目標跟蹤方法，通過提取目標的多尺度平移、旋轉(zhuǎn)特征來構建冗余字典，提高了算法的魯棒性，并利用此字典表示待跟蹤目標集特征，查找與目標模板最近鄰的待跟蹤目標則為跟蹤的最終結果。這種基于字典學習的實時跟蹤算法可以魯棒實時地跟蹤單目標。本文的主要研究內(nèi)容和工作如下：
　　1.結合當前的研究現(xiàn)狀，總結了現(xiàn)有的目標檢測與跟蹤技術，分析了各種不同算法的優(yōu)缺點。典型的運動目標跟蹤算法有

4、兩種：基于運動分析的跟蹤算法和基于圖像模板匹配的跟蹤算法；基于運動分析的方法有光流法、背景建模法，此方法無法解決目標長期靜止時的跟蹤問題；基于圖像模板匹配的方法通過獲得目標的特征信息，并將該信息與目標模板信息對比來實現(xiàn)目標跟蹤。目標特征提取的質(zhì)量會影響整個算法的性能。
　　2.針對傳統(tǒng)的圖像匹配跟蹤算法的不足，本文構建圖像特征集合的冗余字典來跟蹤運動目標。本文提出的目標跟蹤算法由分類和學習兩部分組成。分類階段從采樣圖像中分類出最大

5、可能包含目標的圖像，即實現(xiàn)了目標跟蹤的問題。分別提取采樣圖像的多尺度特征，目標特征信息通過字典投影到變換空間并保留了原始特征信息。學習階段是對目標模板和字典的更新，跟蹤到新的目標位置后在其附近采樣一定的正樣本，對正樣本適當?shù)某叨取⑿D(zhuǎn)、仿射等變換構成訓練樣本，然后提取訓練樣本的Haar-like特征，聚類后的Haar-like特征構成新的完備基，同時采集的正樣本特征在新的完備基上的投影便是新的特征模板，此模板就是原始特征信號的表示。

6、r>　　3.算法的實時性在嵌入式系統(tǒng)上實現(xiàn)，嵌入式系統(tǒng)由硬件平臺和上位機軟件平臺兩部分組成。本文選擇Camera Link接口的數(shù)字相機，該接口是為數(shù)字相機的圖像數(shù)據(jù)傳輸提出的一種接口協(xié)議和標準，其最高的傳輸速率達到2.38 Gbps。FPGA接收到高速實時圖像信號后整理打包給DSP進行目標跟蹤處理，跟蹤結果通過PCI傳輸給上位機實時顯示。
　　本文對運動目標的跟蹤算法做了詳細的研究，結合傳統(tǒng)的目標跟蹤算法的優(yōu)缺點，在算法的計算復