基于線性表示和圖模型的目標跟蹤算法研究.pdf

1、目標跟蹤是計算機視覺領域中一個重要而富有挑戰(zhàn)性的研究課題，它涉及到圖像處理、模式識別、人工智能、計算機技術等諸多方面。伴隨著計算機技術和自動傳感器技術的快速發(fā)展，目標跟蹤技術在行為分析、視頻監(jiān)控、人機交互、機器人視覺導航、醫(yī)療診斷、軍事制導等許多方面有著較為廣泛的應用前景。目標跟蹤的主要任務是使得計算機模擬人類視覺感知功能，并賦予計算機能從復雜場景中識別并檢測出運動目標的能力。盡管相關目標跟蹤算法的研究已經(jīng)取得了很大進展，但是由于多種挑

2、戰(zhàn)因素（包括：光照變化、姿態(tài)變化、尺度、遮擋、旋轉、運動模糊、背景雜亂）的干擾，設計一個滿足魯棒性、實時性、精確穩(wěn)健的目標跟蹤算法來完成實際中的跟蹤任務，仍然面臨非常巨大的挑戰(zhàn)。
　　針對以上存在的問題，對經(jīng)典的跟蹤算法進行深入研究與分析，并分析各種算法存在的缺陷和不足，在此基礎上提出了一系列的目標跟蹤改進算法，有效地提高了目標跟蹤的準確性和魯棒性。本文的主要研究內(nèi)容和創(chuàng)新點如下總結如下：
　　1、基于生成模型的目標跟蹤算法

3、總是需要建立一個有效的目標外觀模型并設計一個穩(wěn)健的搜索機制，由于復雜場景中目標外觀變化、部分遮擋等因素，給目標跟蹤帶來挑戰(zhàn)。為了避免設計一個不魯棒的搜索機制，同時受到流形排序算法在圖像檢索領域中成功應用的啟發(fā)，提出一種基于流形排序算法的目標跟蹤方法。已經(jīng)跟蹤的結果作為標定節(jié)點而候選樣本未標定節(jié)點，把跟蹤看成是一個排序問題，通過流形排序算法求解候選樣本與目標模型之間相關性，其中排序得分值最高的候選樣本就是目標的跟蹤結果。降低圖模型的時間復

4、雜度，采用高效的流形排序算法來建立圖模型。同時為了快速有效地提取目標特征，采用一個稀疏的隨機矩陣將高維特征投影到低維空間中，提取的壓縮特征用來描述目標紋理信息。此外，通過構造一個支撐集來增加空間背景信息，空間背景用于描述目標與背景之間的空間布局關系，使得跟蹤算法對于復雜背景和遮擋更加魯棒。在多個視頻上的實驗結果表明了該算法的有效性和魯棒性。
　　2、提出一種基于加權子空間重構誤差的魯棒目標跟蹤算法。該方法定義可區(qū)分權值來增強跟蹤算

5、法的可區(qū)分性?？蓞^(qū)分權值使得基于正樣本的重構誤差最小，而最大化基于負樣本的重構誤差?；谧涌臻g重構誤差，本文設計一個簡單高效的似然函數(shù)融合可區(qū)分權值與子空間重構誤差。該似然函數(shù)不僅可以有效地從復雜背景中區(qū)分目標，而且能有效地描述目標的外觀變化。此外，為了避免不適當?shù)母滤鸬哪繕四Ｐ屯嘶透櫰片F(xiàn)象，本文還設計一種基于前后向跟蹤的性能評價機制來判斷是否更新子空間模型。實驗結果及分析展示了提出算法的準確性和有效性。
　　3、提出

6、了基于時空聯(lián)合優(yōu)化模型的目標跟蹤算法。在目標跟蹤過程中，跟蹤目標應該很好的被目標紋理模型線性表示，而目標與其鄰域背景應該滿足一定的約束關系，所以時間和空間信息對于目標跟蹤來說都至關重要。通過子空間方法建立目標的時間紋理模型，該模型能有效地描述目標在連續(xù)幀上的外觀變化。同時采用稀疏表示建立目標的空間約束模型去捕獲目標與其背景間的空間布局關系?？紤]求解l1-RLS最小化問題需要較大計算復雜度，以及考慮輸入向量與字典基向量間距離關系，本文提出

7、了K近鄰局部平滑算法（K-nearest Local Smooth Algorithm，KLSA）來建立空間約束模型。在基于KLSA的空間約束模型中，本文采用加速近端梯度法（Accelerated Proximal Gradient，APG）快速的獲得了空間模型中的表示系數(shù)。提出的聯(lián)合優(yōu)化模型能充分利用時間和空間模型的優(yōu)勢，迭代求解候選粒子對于最優(yōu)狀態(tài)估計的權重，并基于粒子濾波框架得到目標跟蹤結果。此外，本文還設計了一種合理的模型更新機

8、制來提高算法的魯棒性。實驗結果表明了該算法與其它前沿跟蹤算法相比具有更好的魯棒性。
　　4、提出一種基于圖正則化和局部約束編碼的目標跟蹤新算法。在提出的算法中，局部約束編碼能確保距離字典中基向量較近的樣本有較大的表示系數(shù)；引入流形學習中的圖正則化約束，使得一些相似樣本有較相近的表示系數(shù)，同時添加拉普拉斯平滑項能有效地捕獲數(shù)據(jù)潛在的流形結構?；趫D正則化的局部約束編碼算法，本文通過迭代方式學習一個更加魯棒的表示字典，使得表示字典能更