復(fù)雜環(huán)境下的目標跟蹤算法研究.pdf

1、目標跟蹤是計算機視覺領(lǐng)域的重要研究方向之一，同時也是多學科交叉的研究課題。隨著圖像處理、模式識別和概率與統(tǒng)計等學科理論和計算機硬件等技術(shù)的快速發(fā)展，攝像設(shè)備在眾多領(lǐng)域得到廣泛的應(yīng)用，視頻分析在生產(chǎn)和現(xiàn)實生活領(lǐng)域的應(yīng)用變得越來越重要。目標跟蹤是視頻分析的重要研究內(nèi)容，也是后續(xù)視頻分析的關(guān)鍵。盡管近幾年來目標跟蹤技術(shù)取得了顯著的進步，在某些簡單實時場景中提出了眾多的魯棒跟蹤算法，但是在一些復(fù)雜環(huán)境下的視頻跟蹤問題并沒有完全解決，例如在復(fù)雜環(huán)

2、境下的光照突變、嚴重雜波干擾、嚴重遮擋、運動不連續(xù)和視圖不斷變化等，為了解決上述復(fù)雜環(huán)境導(dǎo)致的跟蹤不理想問題，本文提出了三種不同類型的目標跟蹤方法。對于復(fù)雜環(huán)境下的目標跟蹤，既可以在粒子濾波的框架下，構(gòu)建鑒別性強的似然函數(shù)跟蹤；也可以在核跟蹤的框架下，結(jié)合有效的視覺特征進行跟蹤；還可通過分類跟蹤技術(shù)，把跟蹤變成分類，將目標從背景中分離出來。
　　 論文的主要研究工作和創(chuàng)新性集中在以下幾個方面：
　　 ①在基于粒子濾波的理

3、論框架下，相似性度量對于粒子濾波跟蹤效果具有決定性作用，研究魯棒的相似性度量是粒子濾波的關(guān)鍵技術(shù)。常用相似度包括Bhattacharyya、直方圖相交、卡方和BRD(Bin Ratio Dissimilarity)，通過分析他們的不足，提出了基于兩種改進的相似度方法BBRS(Blocks Bin Ratio Similarity)和SBRS(Spaial Bin Ratio Simiarity)，并用于粒子濾波跟蹤算法，這兩種相似性度量

4、都同時考慮了直方圖量化區(qū)間的比率關(guān)系和目標的空間關(guān)系，復(fù)雜場景下的目標跟蹤實驗結(jié)果證明了基于改進相似度的跟蹤算法的有效性和魯棒性。在跟蹤過程中由于目標或背景的不斷變化，利用固定目標模型容易產(chǎn)生跟蹤漂移，針對這一問題，研究了基于稀疏主元分析的自適應(yīng)目標模型的跟蹤算法魯棒地跟蹤變化目標；在復(fù)雜環(huán)境中由于單一特征的跟蹤效果欠佳，為了改善跟蹤效果，研究了多特征自適應(yīng)融合粒子跟蹤算法來提高跟蹤的精度。
　　 ②針對跟蹤過程中視圖不斷變化問

5、題，提出了一種基于塊的自適應(yīng)魯棒均值移動跟蹤算法。塊的系數(shù)通過MSBRS(Multiple Scale Bin Ratio similarity)計算。該算法從視覺特征集中選取描述能力強的兩種特征，同時將其按照與目標模型的多尺度相似度線性融合；由于固定目標模型容易產(chǎn)生跟蹤漂移，為了減少漂移，通過計算當前目標模型與初始目標模型的多尺度相似度自適應(yīng)更新目標模型。復(fù)雜場景下的目標跟蹤實驗結(jié)果驗證該融合跟蹤算法魯棒地跟蹤視圖變化中的目標。

6、>　　 ⑧基于自我訓練的分類方法已成功應(yīng)用于視頻跟蹤中，但該類算法因誤差累積易于產(chǎn)生跟蹤漂移。為了減小由于誤差引起的漂移，提出了基于半監(jiān)督支持向量機的自適應(yīng)的跟蹤算法。該算法利用在線半監(jiān)督分類方法對未知目標進行分類，并通過分類的目標自我更新；分類特征采用兩種相對獨立的特征線性融合，融合糸數(shù)米用MSSBRS(Multiple Scale Spatio Bin Ratio Similarity)。該相似度有效地融合了BBRS和SBRS的優(yōu)