基于線性表示和圖模型的目標(biāo)跟蹤算法研究.pdf

1、目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)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(shí)別、人工智能、計(jì)算機(jī)技術(shù)等諸多方面。伴隨著計(jì)算機(jī)技術(shù)和自動(dòng)傳感器技術(shù)的快速發(fā)展，目標(biāo)跟蹤技術(shù)在行為分析、視頻監(jiān)控、人機(jī)交互、機(jī)器人視覺導(dǎo)航、醫(yī)療診斷、軍事制導(dǎo)等許多方面有著較為廣泛的應(yīng)用前景。目標(biāo)跟蹤的主要任務(wù)是使得計(jì)算機(jī)模擬人類視覺感知功能，并賦予計(jì)算機(jī)能從復(fù)雜場(chǎng)景中識(shí)別并檢測(cè)出運(yùn)動(dòng)目標(biāo)的能力。盡管相關(guān)目標(biāo)跟蹤算法的研究已經(jīng)取得了很大進(jìn)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(zhuǎn)、運(yùn)動(dòng)模糊、背景雜亂）的干擾，設(shè)計(jì)一個(gè)滿足魯棒性、實(shí)時(shí)性、精確穩(wěn)健的目標(biāo)跟蹤算法來完成實(shí)際中的跟蹤任務(wù)，仍然面臨非常巨大的挑戰(zhàn)。
　　針對(duì)以上存在的問題，對(duì)經(jīng)典的跟蹤算法進(jìn)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(chǔ)上提出了一系列的目標(biāo)跟蹤改進(jìn)算法，有效地提高了目標(biāo)跟蹤的準(zhǔn)確性和魯棒性。本文的主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下總結(jié)如下：
　　1、基于生成模型的目標(biāo)跟蹤算法

3、總是需要建立一個(gè)有效的目標(biāo)外觀模型并設(shè)計(jì)一個(gè)穩(wěn)健的搜索機(jī)制，由于復(fù)雜場(chǎng)景中目標(biāo)外觀變化、部分遮擋等因素，給目標(biāo)跟蹤帶來挑戰(zhàn)。為了避免設(shè)計(jì)一個(gè)不魯棒的搜索機(jī)制，同時(shí)受到流形排序算法在圖像檢索領(lǐng)域中成功應(yīng)用的啟發(fā)，提出一種基于流形排序算法的目標(biāo)跟蹤方法。已經(jīng)跟蹤的結(jié)果作為標(biāo)定節(jié)點(diǎn)而候選樣本未標(biāo)定節(jié)點(diǎn)，把跟蹤看成是一個(gè)排序問題，通過流形排序算法求解候選樣本與目標(biāo)模型之間相關(guān)性，其中排序得分值最高的候選樣本就是目標(biāo)的跟蹤結(jié)果。降低圖模型的時(shí)間復(fù)

4、雜度，采用高效的流形排序算法來建立圖模型。同時(shí)為了快速有效地提取目標(biāo)特征，采用一個(gè)稀疏的隨機(jī)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(biāo)紋理信息。此外，通過構(gòu)造一個(gè)支撐集來增加空間背景信息，空間背景用于描述目標(biāo)與背景之間的空間布局關(guān)系，使得跟蹤算法對(duì)于復(fù)雜背景和遮擋更加魯棒。在多個(gè)視頻上的實(shí)驗(yàn)結(jié)果表明了該算法的有效性和魯棒性。
　　2、提出一種基于加權(quán)子空間重構(gòu)誤差的魯棒目標(biāo)跟蹤算法。該方法定義可區(qū)分權(quán)值來增強(qiáng)跟蹤算

5、法的可區(qū)分性?？蓞^(qū)分權(quán)值使得基于正樣本的重構(gòu)誤差最小，而最大化基于負(fù)樣本的重構(gòu)誤差。基于子空間重構(gòu)誤差，本文設(shè)計(jì)一個(gè)簡(jiǎn)單高效的似然函數(shù)融合可區(qū)分權(quán)值與子空間重構(gòu)誤差。該似然函數(shù)不僅可以有效地從復(fù)雜背景中區(qū)分目標(biāo)，而且能有效地描述目標(biāo)的外觀變化。此外，為了避免不適當(dāng)?shù)母滤鸬哪繕?biāo)模型退化和跟蹤漂移現(xiàn)象，本文還設(shè)計(jì)一種基于前后向跟蹤的性能評(píng)價(jià)機(jī)制來判斷是否更新子空間模型。實(shí)驗(yàn)結(jié)果及分析展示了提出算法的準(zhǔn)確性和有效性。
　　3、提出

6、了基于時(shí)空聯(lián)合優(yōu)化模型的目標(biāo)跟蹤算法。在目標(biāo)跟蹤過程中，跟蹤目標(biāo)應(yīng)該很好的被目標(biāo)紋理模型線性表示，而目標(biāo)與其鄰域背景應(yīng)該滿足一定的約束關(guān)系，所以時(shí)間和空間信息對(duì)于目標(biāo)跟蹤來說都至關(guān)重要。通過子空間方法建立目標(biāo)的時(shí)間紋理模型，該模型能有效地描述目標(biāo)在連續(xù)幀上的外觀變化。同時(shí)采用稀疏表示建立目標(biāo)的空間約束模型去捕獲目標(biāo)與其背景間的空間布局關(guān)系。考慮求解l1-RLS最小化問題需要較大計(jì)算復(fù)雜度，以及考慮輸入向量與字典基向量間距離關(guān)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(shí)間和空間模型的優(yōu)勢(shì)，迭代求解候選粒子對(duì)于最優(yōu)狀態(tài)估計(jì)的權(quán)重，并基于粒子濾波框架得到目標(biāo)跟蹤結(jié)果。此外，本文還設(shè)計(jì)了一種合理的模型更新機(jī)

8、制來提高算法的魯棒性。實(shí)驗(yàn)結(jié)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(biāo)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(xué)習(xí)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(shí)添加拉普拉斯平滑項(xiàng)能有效地捕獲數(shù)據(jù)潛在的流形結(jié)構(gòu)?；趫D正則化的局部約束編碼算法，本文通過迭代方式學(xué)習(xí)一個(gè)更加魯棒的表示字典，使得表示字典能更