基于判別式分類器的復雜場景下視頻多目標跟蹤研究.pdf

1、近年來，視頻監(jiān)控在安防領域得到了廣泛的應用，特別是在大型活動現(xiàn)場、學校、銀行、商場、機場、高速公路、地鐵等對安全要求敏感的場合。視頻監(jiān)控系統(tǒng)一般包括運動目標檢測，目標跟蹤，行為檢測，異常信息歸檔等模塊。其中，多目標跟蹤在很多方面得到了廣泛的應用，是近年來計算機視覺、人機交互系統(tǒng)、模式識別等領域的熱門研究問題。但是，多目標跟蹤還存在諸多問題有待研究。本文針對國內外多目標跟蹤算法進行歸納，分析各自優(yōu)缺點，主要包括目標視覺表示模型和多目標跟蹤

2、方法研究，并總結了多目標跟蹤算法的難點，最后討論了多目標跟蹤算法未來發(fā)展趨勢。本論文主要創(chuàng)新工作及研究成果如下：
　　1）本文首先針對復雜場景下，如光照變化、方向變化、尺度變化等，單一特征的目標視覺表示模型很難準確描述目標圖像，可靠性較差的問題，提出了一種基于模糊理論和主成分分析法的多特征融合算法，該算法首先提取目標的顏色特征、紋理特征以及梯度特征，接著采用模糊理論對特征進行粗選擇，最后利用PCA算法對粗選擇后的特征進行融合，有效

3、減少算法復雜度。實驗結果表明，融合特征能夠較好地適應場景的變化，取得更加魯棒的跟蹤結果。
　　2）融合時空約束的判別式分類模型理論的建立。針對現(xiàn)有的基于判別式模型的多目標跟蹤算法中判別模型沒有同時利用多目標間時空關系的問題，論文根據同一幀中多個目標間的位置關系，以及目標的運動關系，建立了融合時空約束和結構化SVM的判別式分類模型，最后利用被動-主動（Passive Aggressive,PA）算法實現(xiàn)對判別式分類模型參數的更新。<

4、br>　　3）基于時空約束判別式分類模型的多目標跟蹤算法?；跁r空約束判別式分類模型實現(xiàn)視頻多目標的跟蹤，該算法首先提取圖像中每個目標區(qū)域的HOG特征，并結合結構化支持向量機分類器進行樣本訓練，得到每個目標的外觀模型。其次使用最小生成樹模型來構建同一幀中各個目標間的空間約束，基于目標的運動信息建立時間約束。在跟蹤過程中，使用結構化SVM框架進行參數的在線學習，實時地更新各個目標的外觀模型、空間以及時間約束。該算法充分利用了目標時空關系，