基于張量子空間學習的視覺跟蹤方法研究.pdf

1、視覺跟蹤是計算機視覺和人工智能領域的重要研究課題之一。它是進行基于語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。在視覺跟蹤中，如何有效地表征感興趣目標，同時準確地排除視頻環(huán)境中的干擾因素，是視覺跟蹤中的關鍵問題。本文在研究傳統(tǒng)目標跟蹤方法的基礎上，針對目標外觀的建模問題，在貝葉斯推理的動態(tài)系統(tǒng)框架內(nèi)引入張量子空間學習和增量學習等方法研究視覺跟蹤問題。主要研究內(nèi)容包括：
　　 (1)提出一種增量式張量子空間學習的目標

2、跟蹤算法。首先初始化感興趣目標外觀的張量子空間，保留了圖像中目標外觀的結構信息；然后利用貝葉斯推理獲得目標外觀狀態(tài)參數(shù)的最優(yōu)估計；最后根據(jù)最優(yōu)估計的目標外觀，采用增量式的學習方式對目標外觀張量子空間進行在線更新。實驗結果表明，所提出的方法在目標姿態(tài)變化、受到短時遮擋、以及光照變化的情況下能夠?qū)崿F(xiàn)魯棒可靠的跟蹤結果。
　　 (2)提出了一種加權的Retinex亮度增強的目標跟蹤算法。首先構建了一種加權的Retinex亮度增強的目標

3、描述，以減小傳統(tǒng)張量表達對亮度的敏感性；然后針對三階的目標張量模型構建可在線更新的外觀子空間；最后根據(jù)目標的觀測模型對視頻中的目標外觀的狀態(tài)進行預測估計。由于同時保留了原始視頻信息和增強后圖像信息，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)定的結果。
　　 (3)提出了一種有偏判別式的目標跟蹤算法。首先將傳統(tǒng)的線性判別及有偏判別方法擴展到張量式的數(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習方法；最后，基于目

4、標跟蹤可看作在線分類問題的認識，將基于有偏判別的在線學習方法納入粒子濾波的跟蹤框架，從而獲得了目標的最優(yōu)運動參數(shù)。實驗結果表明，所提出的方法對于背景復雜、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果。
　　 (4)提出了一種成對約束判別的目標跟蹤算法。該算法充分考慮了視頻跟蹤中目標和背景的相對變化速度，首先提出了構建目標-背景的數(shù)據(jù)對，將傳統(tǒng)算法中只關注目標的處理方式推廣到了既關注目標又關注背景，使得跟蹤的感興趣

5、區(qū)域可以充分兼顧目標及背景的變化；然后，對于目標外觀模型的在線學習引入了模型的一致性和連續(xù)性約束，使得目標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的野值點；最后基于提出的約束條件，提出了一種成對約束的目標觀測模型，并以此對目標運動參數(shù)進行預測和估計。實驗結果表明，所提出的方法對于姿態(tài)變化、背景復雜的情況，可以獲得長時穩(wěn)定的跟蹤效果。
　　 綜上所述，本文將張量子空間和增量學習等方法引入視覺跟蹤中，對視頻序列中