基于張量子空間學(xué)習(xí)的視覺(jué)跟蹤方法研究.pdf

1、視覺(jué)跟蹤是計(jì)算機(jī)視覺(jué)和人工智能領(lǐng)域的重要研究課題之一。它是進(jìn)行基于語(yǔ)義的視頻分析的必要前提，也為基于內(nèi)容的視頻處理提供了基礎(chǔ)。在視覺(jué)跟蹤中，如何有效地表征感興趣目標(biāo)，同時(shí)準(zhǔn)確地排除視頻環(huán)境中的干擾因素，是視覺(jué)跟蹤中的關(guān)鍵問(wèn)題。本文在研究傳統(tǒng)目標(biāo)跟蹤方法的基礎(chǔ)上，針對(duì)目標(biāo)外觀的建模問(wèn)題，在貝葉斯推理的動(dòng)態(tài)系統(tǒng)框架內(nèi)引入張量子空間學(xué)習(xí)和增量學(xué)習(xí)等方法研究視覺(jué)跟蹤問(wèn)題。主要研究?jī)?nèi)容包括：
　　 (1)提出一種增量式張量子空間學(xué)習(xí)的目標(biāo)

2、跟蹤算法。首先初始化感興趣目標(biāo)外觀的張量子空間，保留了圖像中目標(biāo)外觀的結(jié)構(gòu)信息；然后利用貝葉斯推理獲得目標(biāo)外觀狀態(tài)參數(shù)的最優(yōu)估計(jì)；最后根據(jù)最優(yōu)估計(jì)的目標(biāo)外觀，采用增量式的學(xué)習(xí)方式對(duì)目標(biāo)外觀張量子空間進(jìn)行在線更新。實(shí)驗(yàn)結(jié)果表明，所提出的方法在目標(biāo)姿態(tài)變化、受到短時(shí)遮擋、以及光照變化的情況下能夠?qū)崿F(xiàn)魯棒可靠的跟蹤結(jié)果。
　　 (2)提出了一種加權(quán)的Retinex亮度增強(qiáng)的目標(biāo)跟蹤算法。首先構(gòu)建了一種加權(quán)的Retinex亮度增強(qiáng)的目標(biāo)

3、描述，以減小傳統(tǒng)張量表達(dá)對(duì)亮度的敏感性；然后針對(duì)三階的目標(biāo)張量模型構(gòu)建可在線更新的外觀子空間；最后根據(jù)目標(biāo)的觀測(cè)模型對(duì)視頻中的目標(biāo)外觀的狀態(tài)進(jìn)行預(yù)測(cè)估計(jì)。由于同時(shí)保留了原始視頻信息和增強(qiáng)后圖像信息，所提出的方法在光照劇變以及光照不均勻的跟蹤環(huán)境中取得了穩(wěn)定的結(jié)果。
　　 (3)提出了一種有偏判別式的目標(biāo)跟蹤算法。首先將傳統(tǒng)的線性判別及有偏判別方法擴(kuò)展到張量式的數(shù)據(jù)形式；然后提出了一種有偏判別張量子空間的在線學(xué)習(xí)方法；最后，基于目

4、標(biāo)跟蹤可看作在線分類問(wèn)題的認(rèn)識(shí)，將基于有偏判別的在線學(xué)習(xí)方法納入粒子濾波的跟蹤框架，從而獲得了目標(biāo)的最優(yōu)運(yùn)動(dòng)參數(shù)。實(shí)驗(yàn)結(jié)果表明，所提出的方法對(duì)于背景復(fù)雜、姿態(tài)變化大、尺度變化等因素的干擾，仍然可以獲得較好的跟蹤結(jié)果。
　　 (4)提出了一種成對(duì)約束判別的目標(biāo)跟蹤算法。該算法充分考慮了視頻跟蹤中目標(biāo)和背景的相對(duì)變化速度，首先提出了構(gòu)建目標(biāo)-背景的數(shù)據(jù)對(duì)，將傳統(tǒng)算法中只關(guān)注目標(biāo)的處理方式推廣到了既關(guān)注目標(biāo)又關(guān)注背景，使得跟蹤的感興趣

5、區(qū)域可以充分兼顧目標(biāo)及背景的變化；然后，對(duì)于目標(biāo)外觀模型的在線學(xué)習(xí)引入了模型的一致性和連續(xù)性約束，使得目標(biāo)外觀更新的速率保持平穩(wěn)的變化，而不易引入由于外觀劇烈變化帶來(lái)的野值點(diǎn)；最后基于提出的約束條件，提出了一種成對(duì)約束的目標(biāo)觀測(cè)模型，并以此對(duì)目標(biāo)運(yùn)動(dòng)參數(shù)進(jìn)行預(yù)測(cè)和估計(jì)。實(shí)驗(yàn)結(jié)果表明，所提出的方法對(duì)于姿態(tài)變化、背景復(fù)雜的情況，可以獲得長(zhǎng)時(shí)穩(wěn)定的跟蹤效果。
　　 綜上所述，本文將張量子空間和增量學(xué)習(xí)等方法引入視覺(jué)跟蹤中，對(duì)視頻序列中