基于局部敏感直方圖的視覺目標(biāo)跟蹤算法研究.pdf

1、視覺目標(biāo)跟蹤可為計算機視覺的高級任務(wù)(如圖像理解、行為分析等)提供技術(shù)支撐，因此一直都是計算機視覺中最活躍的研究領(lǐng)域之一，被廣泛應(yīng)用于增強現(xiàn)實、智能視頻監(jiān)控、目標(biāo)識別、醫(yī)學(xué)診斷、視覺導(dǎo)航和空間監(jiān)控等領(lǐng)域。同時，近年來視頻傳感器的廣泛應(yīng)用以及測試計量技術(shù)及儀器領(lǐng)域中多傳感器融合的研究，催生了對視頻傳感器輸出數(shù)據(jù)自動處理方面的需求，這對視覺目標(biāo)跟蹤技術(shù)的研究也起到了推動作用。雖然經(jīng)過長期深入研究后，人們提出了許多算法來解決不同應(yīng)用場景下的視

2、頻跟蹤問題，但在實際環(huán)境中的應(yīng)用仍舊存在諸多難點。比如，目標(biāo)的表觀會隨著外界的背景擁簇、光照變化、其它物體的遮擋以及相對運動造成的運動模糊而發(fā)生改變；同時，視頻中的目標(biāo)在運動過程中自身還可能發(fā)生形變、旋轉(zhuǎn)和縮放等各種不可預(yù)知的復(fù)雜變化。這使得在實際環(huán)境中構(gòu)建具有普適性的、精準(zhǔn)穩(wěn)定的魯棒性視覺目標(biāo)跟蹤算法仍然是個極大的挑戰(zhàn)。
　　本文首先通過改進視覺跟蹤算法中的目標(biāo)表觀建模方法，改善了復(fù)雜環(huán)境下的單視覺目標(biāo)的跟蹤效果。然后，通過縮減

3、計算半徑和Mean Shift預(yù)定位的方法，在不降低跟蹤準(zhǔn)確性的前提下提升了算法的跟蹤速度。本論文完成了如下研究工作：
　　在研究Mean Shift視覺目標(biāo)跟蹤算法和Haar特征的基礎(chǔ)上，通過對Haar特征值的規(guī)整化以及對數(shù)量化，改變了Haar特征值在各量化區(qū)間的分布。再進一步利用亮度和顏色分離表示的 HSI顏色空間，提出了 Haar特征和顏色特征聯(lián)合構(gòu)建目標(biāo)表觀模型的方法。從而改善了目標(biāo)被相似物遮擋以及光照變化時Mean Sh

4、ift視覺目標(biāo)跟蹤算法的跟蹤效果。
　　在研究基于局部敏感直方圖的視覺目標(biāo)跟蹤算法的基礎(chǔ)上，首先對局部敏感直方圖快速算法的計算缺陷進行了說明；其次，通過在原有快速算法中的±45°方向上引入 L2范數(shù)度量的像素點間距離，修正了原有快速算法在±45°方向上的計算缺陷，得到了局部敏感直方圖快速算法的改進算法；再次，利用L2范數(shù)與L1范數(shù)在±45°方向上對像素點間距離度量的差異性，得到了ELSH的次優(yōu)權(quán)重系數(shù)的自適應(yīng)生成方法；最后，通過引

5、入Bhattacharyya系數(shù)對模板間相似性進行判定，修正了原始算法中通過比較特定位置來判斷模板間相似性的不足。最終，提出的基于8鄰域局部敏感直方圖的視覺目標(biāo)跟蹤算法，對亮度變化的目標(biāo)的跟蹤效果要優(yōu)于原始視覺目標(biāo)跟蹤算法下的跟蹤效果。
　　通過縮減8鄰域局部敏感直方圖的計算半徑，降低了基于8鄰域局部敏感直方圖視覺目標(biāo)跟蹤算法的跟蹤耗時。通過采用Mean Shift預(yù)定位的方法減緩了隨之而來的模版間相似性下降的問題。利用基于局部敏