基于序列蒙特卡洛濾波算法的視覺目標跟蹤.pdf

1、基于圖像序列的目標跟蹤作為計算機視覺領域的一個核心問題，得到了廣泛而深入的研究。視覺跟蹤研究的主要目的是模仿生理視覺系統(tǒng)的運動感知功能，賦予機器辨識圖像序列中物體運動及其相互關系的能力，為圖像序列理解提供重要途徑。視覺跟蹤技術具有廣闊的應用前景，如視頻監(jiān)控、視頻分析、視頻檢索、基于視頻的運動分析和合成、基于運動信息的身份識別等。經(jīng)過四十多年尤其是近十年的不懈研究，視覺跟蹤技術取得了長足的進步，但實踐表明一般意義上的視覺跟蹤技術還遠未成熟

2、，要開發(fā)出真正魯棒、實用的視覺跟蹤應用系統(tǒng)還需要更為魯棒的核心算法并需要解決大量的算法實現(xiàn)問題。
　　本文在序列蒙特卡洛濾波算法的框架下，以人臉和人體跟蹤為研究對象，針對其中涉及的關鍵問題進行了探討，研究了開發(fā)魯棒實用的視覺跟蹤系統(tǒng)所需要的核心技術和關鍵問題解決方案，重點探討了目標表觀建模，復雜運動的建模和推斷，融合低端模型和高端模型的運動描述方法等幾個關鍵問題。具體的研究內容如下：
　　1)提出了可區(qū)分性目標表觀模型的自適

3、應建模和更新算法。表觀建模是視覺跟蹤算法性能的決定性因素之一。實踐表明：圖像特征選擇和基于圖像特征的目標表觀描述模型從根本上決定了算法的魯棒性和計算復雜性。雖然這一問題得到了領域內學者的極大重視和不懈努力，其仍是阻礙視覺跟蹤技術進入實際應用的最困難問題之一。本論文中提出了一種自適應目標表觀建模和更新算法。該算法在動態(tài)建模過程中不僅考慮目標表觀信息，同時對目標所處環(huán)境中的背景信息進行考察，從而可對目標/背景的差異信息進行有效建模，在根本上

4、保證了模型具有從變化的背景中區(qū)分前景的能力。實驗結果表明，相比于目前最具代表性的跟蹤算法之一Mean Shift，提出的算法在公開的測試序列上取得了更好的跟蹤結果。
　　2)提出了集成多運動模型的復雜運動建模和推斷算法。由于計算復雜性的限制，視覺跟蹤算法通?；诰植克阉鞯牟呗源_定目標的運動狀態(tài)。所以，根據(jù)目標運動規(guī)律確定其以較高概率出現(xiàn)的局部區(qū)域成為算法效率的關鍵因素之一。如何針對復雜運動描述目標運動規(guī)律，是很多現(xiàn)實跟蹤問題的效率

5、瓶頸所在。本論文提出了采用多運動模型對目標復雜運動進行建模和估計的基本框架。在此基礎上，針對具有多種運動模式和具有高維運動狀態(tài)的兩類常見的復雜運動模式，將多模型的估計框架融入序列蒙特卡洛濾波算法中，從而針對兩類復雜運動問題提出了標準序列蒙特卡洛濾波算法的兩個改進：基于多模型切換和基于多模型協(xié)同的序列蒙特卡洛濾波算法。在人臉跟蹤和面部表情估計問題上分別驗證了改進的算法。實驗結果表明，相對比于標準序列蒙特卡洛濾波算法，在計算復雜度降低的同時

6、，改進的算法得到了更高的跟蹤精度。
　　3)提出了融合光流和特定模型的面部特征點跟蹤算法。面部特征點跟蹤是基于特征點的運動感知研究的典型應用，也是基于特征點運動感知任務中的困難問題?，F(xiàn)有的面部特征點跟蹤方法主要可以分為基于特定描述模型(以下簡稱模型)和基于光流的方法。本論文在序列蒙特卡洛濾波算法的框架下融合了基于光流和基于特定模型的方法來解決面部特征點跟蹤問題，以克服單獨采用一類方法的不足，從而達到魯棒跟蹤面部特征點的目的。在基于

7、尺度空間理論改進 KLT光流算法的基礎上，以光流估計結果約束基于模型的形變特征點估計的起始搜索位置，大大加速了序列蒙特卡洛濾波算法的搜索過程。對于估計結果中存在的跟蹤誤差，進一步采用特征點運動軌跡的子空間約束來迭代求精跟蹤結果。相比于廣泛使用的KLT特征點跟蹤算法，實驗結果證實了提出算法的有效性。
　　本論文的三個主要創(chuàng)新點，分別對應視覺跟蹤中的兩個關鍵問題：目標表觀的建模和目標運動的描述。其中創(chuàng)新點一提出了動態(tài)建模前景/背景差異