目標(biāo)跟蹤系統(tǒng)中的魯棒性研究.pdf

1、隨著計(jì)算機(jī)科學(xué)、電子技術(shù)、人工智能等的發(fā)展與普及,目標(biāo)跟蹤技術(shù)已廣泛地應(yīng)用到民用和軍事上,如一些重要場(chǎng)所的視頻監(jiān)控系統(tǒng)、自主導(dǎo)航、智能交通監(jiān)控系統(tǒng)、人機(jī)交互系統(tǒng)、視頻壓縮等。近年來(lái),大量研究人員對(duì)目標(biāo)跟蹤進(jìn)行了廣泛、深入的研究,并針對(duì)各種應(yīng)用環(huán)境提出了有效的視頻目標(biāo)跟蹤算法。然而,由于目標(biāo)跟蹤系統(tǒng)相當(dāng)復(fù)雜,故研究具有魯棒性強(qiáng)、實(shí)用性好的目標(biāo)跟蹤算法仍然是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一。
　　本文對(duì)目標(biāo)跟蹤系統(tǒng)中的目標(biāo)特征選擇、目標(biāo)表

2、示模型、相似性度量、目標(biāo)定位算法這四個(gè)方面開(kāi)展了深入研究,提出了一些新方法。論文的主要研究?jī)?nèi)容和成果概括如下:
　　1.當(dāng)背景與目標(biāo)的顏色分布比較相似時(shí),CAMSHIFT目標(biāo)跟蹤算法就不能成功跟蹤目標(biāo),為此,本文提出了一種基于自適應(yīng)高斯混合模型的目標(biāo)穩(wěn)定分布提取算法。該算法首先用一種快速有效的自適應(yīng)高斯混合模型建模方法對(duì)目標(biāo)和背景建模,用改進(jìn)的巴氏距離評(píng)估目標(biāo)模型中所有高斯單元的區(qū)分能力,選擇出具有較高區(qū)分能力的高斯單元,并由它們

3、生成目標(biāo)的穩(wěn)定分布。實(shí)驗(yàn)結(jié)果表明該算法能夠成功提取目標(biāo)的穩(wěn)定分布,并能找到目標(biāo)中的穩(wěn)定部分,將目標(biāo)穩(wěn)定分布應(yīng)用到CAMSHIFT算法后能成功跟蹤目標(biāo),從而提高了目標(biāo)跟蹤性能。
　　2.現(xiàn)有的基于距離度量的目標(biāo)特征選擇方法大多只適合度量?jī)蓚€(gè)單峰分布之間的距離,而實(shí)際上目標(biāo)和背景分布往往是呈多峰分布的,為此,本文提出了一種基于改進(jìn)的巴氏距離的目標(biāo)特征選擇方法。對(duì)于每一個(gè)特征,用高斯混合模型對(duì)目標(biāo)和背景建模,然后用改進(jìn)的巴氏距離評(píng)估目標(biāo)

4、模型中每個(gè)高斯單元的區(qū)分能力,累加之和作為該特征的區(qū)分能力,并以此作為特征選擇的依據(jù)。靜態(tài)圖像上的主觀實(shí)驗(yàn)結(jié)果表明本文提出的度量方法能有效地度量?jī)蓚€(gè)多峰分布之間的距離,能夠選擇出具有高區(qū)分能力的特征,用這些高區(qū)分能力的特征做目標(biāo)跟蹤,顯著提高了目標(biāo)跟蹤的穩(wěn)定性。
　　3.針對(duì)傳統(tǒng)的基于EM算法的高斯混合模型建模耗時(shí)太大問(wèn)題,提出了一種在灰度和像素坐標(biāo)的聯(lián)合空間進(jìn)行快速高斯混合建模的方法,并利用積分圖像加快候選模型參數(shù)計(jì)算速度。同時(shí)

5、,本文還提出了一種基于近似對(duì)稱KL距離的度量方法來(lái)計(jì)算目標(biāo)高斯混合模型與候選目標(biāo)高斯混合模型之間的相似度。實(shí)驗(yàn)結(jié)果表明本文提出的建模方法可以大幅減少目標(biāo)建模時(shí)間和候選模型參數(shù)估計(jì)時(shí)間,本文提出的度量方法具有較強(qiáng)的區(qū)分能力且穩(wěn)定,顯著地提升了目標(biāo)跟蹤性能。
　　4.現(xiàn)有空間直方圖相似性度量方法要么不穩(wěn)定,要么區(qū)分能力不夠強(qiáng),為此,本文提出了兩種新的空間直方圖相似性度量方法:一種是基于對(duì)稱KL距離的度量方法,一種是基于改進(jìn)JSD距離的