基于壓縮感知的實時目標跟蹤算法研究.pdf

1、隨著計算機視覺領域相關技術的迅速發(fā)展，目標跟蹤技術已成為其中一個主要的研究和應用熱點，但是復雜場景下對任意目標進行穩(wěn)定、準確地跟蹤仍然存在諸多理論和技術問題亟需解決，因此研究一種魯棒性強的在線跟蹤算法仍然是非常具有挑戰(zhàn)的課題。
　　基于壓縮感知原理實現(xiàn)的目標跟蹤算法不僅在一定程度上緩解了跟蹤漂移現(xiàn)象，且其實時性遠超過其它在線跟蹤算法。本文的研究工作以壓縮跟蹤算法為基礎，就如何增強目標表觀模型魯棒性和選取分類效果更好的特征，以及制定

2、計算量更少的搜索策略展開研究，主要工作如下：
　　1.對現(xiàn)有的壓縮跟蹤算法進行研究，分析其實現(xiàn)機制，在多個測試集上將其與其它在線跟蹤算法進行實驗對比，證明其跟蹤效果的穩(wěn)定性和較好的實時性，并總結壓縮跟蹤算法優(yōu)缺點，指出本文下一步工作目標。
　　2.在復雜場景下，由于劇烈光照、嚴重遮擋等因素的干擾，目標表觀模型可能會發(fā)生劇烈的變化，為了使目標模型能較好地處理這些變化，分析現(xiàn)有的基于稀疏表示的跟蹤算法對干擾無判斷的缺點，提出一種

3、結合卡爾曼預測與子區(qū)域自適應更新的壓縮跟蹤算法。當子區(qū)域前后幀輸出最優(yōu)值變化程度滿足更新閾值條件時允許該子區(qū)域進行分類參數(shù)更新，同時該算法利用輸出最優(yōu)值變化程度最小的子區(qū)域跟蹤結果反推算出整體目標區(qū)域位置，而當這個變化程度最小值超過干擾閾值時，使用卡爾曼預測值作為當前幀的目標跟蹤結果中心點。
　　3.將一種基于特征概率分布距離的最優(yōu)特征選擇方法和改進的樣本搜索分段跟蹤策略結合，兩種方法都能改善跟蹤的準確性和算法的魯棒性，并且后者計

4、算量明顯降低的優(yōu)點彌補了前者離線特征選擇計算增加的計算量。在最優(yōu)特征選擇方面，基于原壓縮跟蹤算法的特征分布滿足高斯分布的特征，采取一種簡單的基于正負樣本概率分布距離的特征選擇方法。而在候選樣本搜索方面，利用簡單高效的跟蹤器在每一幀中進行兩次定位，采用由粗到細的搜索策略分段跟蹤。
　　4.針對 kalman分區(qū)自適應更新以及改進特征和搜索策略的方案分別進行實驗，比較本文算法和原算法的跟蹤效果，實驗結果證明改進的壓縮跟蹤算法有更好的魯