可視對(duì)象跟蹤算法研究及應(yīng)用.pdf

1、對(duì)象跟蹤作為智能視頻分析的關(guān)鍵問題，在計(jì)算機(jī)視覺領(lǐng)域具有廣泛的應(yīng)用，如智能監(jiān)控、人機(jī)交互、機(jī)器人技術(shù)以及多媒體應(yīng)用等。盡管研究人員對(duì)此做出了大量的工作，但是由于真實(shí)世界的復(fù)雜性，如背景干擾、表觀變化、低圖像分辨率，以及幀跳躍等問題，使得在無約束環(huán)境下實(shí)現(xiàn)對(duì)目標(biāo)進(jìn)行長(zhǎng)時(shí)間實(shí)時(shí)穩(wěn)定的可視跟蹤任務(wù)仍然是一項(xiàng)極具挑戰(zhàn)性的課題。本文通過對(duì)對(duì)象跟蹤算法研究現(xiàn)狀的分析，結(jié)合跟蹤過程具有很強(qiáng)的時(shí)序性和時(shí)空關(guān)系的特點(diǎn)，基于圖像信號(hào)分析、模式識(shí)別和在線機(jī)器

2、學(xué)習(xí)的理論與方法，分別從單目標(biāo)跟蹤、多目標(biāo)跟蹤及其應(yīng)用三個(gè)方面開展研究，提出了幾種實(shí)時(shí)穩(wěn)定的對(duì)象跟蹤算法。具體工作如下:
　　(1)為了提高依賴隨機(jī)蕨檢測(cè)的跟蹤算法的穩(wěn)定性，提出了一種基于增強(qiáng)型隨機(jī)蕨的對(duì)象跟蹤算法。該算法在學(xué)習(xí)過程中，通過在線聚類隨機(jī)蕨每個(gè)葉節(jié)點(diǎn)中的學(xué)習(xí)樣例，自動(dòng)發(fā)掘其特征空間中特征向量潛在的分布特性，即隱含類型;在評(píng)價(jià)過程中，將這些隱含類型作為核函數(shù)的數(shù)據(jù)點(diǎn)進(jìn)行核密度估計(jì)，計(jì)算測(cè)試樣例的類型概率。實(shí)驗(yàn)結(jié)果表明，

3、該算法在實(shí)現(xiàn)實(shí)時(shí)對(duì)象跟蹤的同時(shí)提高了跟蹤的穩(wěn)定性。
　　(2)針對(duì)基于在線學(xué)習(xí)的跟蹤算法面臨的兩難問題，即如何既保證對(duì)目標(biāo)變化的適應(yīng)能力，又保證學(xué)習(xí)的準(zhǔn)確性，提出了基于主動(dòng)場(chǎng)景學(xué)習(xí)的對(duì)象跟蹤算法。該算法基于對(duì)象與背景信息建立結(jié)構(gòu)化的約束，并根據(jù)該約束對(duì)在線模型和檢測(cè)器進(jìn)行有監(jiān)督的學(xué)習(xí)，從而提高了其學(xué)習(xí)的準(zhǔn)確性。同時(shí)結(jié)合基于光流分析的目標(biāo)運(yùn)動(dòng)區(qū)域提取方法，使得能夠?qū)焖僖苿?dòng)目標(biāo)進(jìn)行跟蹤。實(shí)驗(yàn)結(jié)果表明，該算法提高了跟蹤系統(tǒng)對(duì)目標(biāo)變化的

4、適應(yīng)能力和跟蹤的穩(wěn)定性。
　　(3)針對(duì)基于霍夫變換的對(duì)象跟蹤算法難以實(shí)現(xiàn)實(shí)時(shí)跟蹤的問題，提出了基于霍夫蕨的對(duì)象跟蹤算法。該算法采用依賴檢測(cè)的跟蹤框架，以隨機(jī)蕨作為基礎(chǔ)檢測(cè)結(jié)構(gòu)，將對(duì)象的局部表觀作為學(xué)習(xí)數(shù)據(jù)，在其每個(gè)葉節(jié)點(diǎn)中計(jì)算并保存霍夫空間中屬于目標(biāo)對(duì)象的投票概率，并通過在線學(xué)習(xí)使其能夠同步適應(yīng)對(duì)象表觀的變化。實(shí)驗(yàn)結(jié)果表明，該算法在滿足跟蹤穩(wěn)定性的同時(shí)能夠?qū)崿F(xiàn)實(shí)時(shí)的對(duì)象跟蹤。
　　(4)為了提高跟蹤過程中檢測(cè)器的對(duì)象識(shí)別能

5、力進(jìn)而提高跟蹤的穩(wěn)定性，提出了在線學(xué)習(xí)多重檢測(cè)的對(duì)象跟蹤算法。該算法將目標(biāo)對(duì)象的整體和局部表觀，以及由場(chǎng)景學(xué)習(xí)中發(fā)掘的同步對(duì)象同時(shí)作為學(xué)習(xí)數(shù)據(jù)，因此能夠在跟蹤過程中分別對(duì)這些類型的對(duì)象進(jìn)行檢測(cè)。最后通過計(jì)算這些檢測(cè)結(jié)果關(guān)于目標(biāo)的配置概率進(jìn)而確定目標(biāo)的位置，實(shí)現(xiàn)對(duì)象跟蹤任務(wù)。實(shí)驗(yàn)結(jié)果表明該算法可以適應(yīng)更加復(fù)雜的跟蹤環(huán)境，在滿足實(shí)時(shí)性的同時(shí)提高了跟蹤的穩(wěn)定性。
　　(5)為了降低多目標(biāo)跟蹤算法的計(jì)算復(fù)雜度，實(shí)現(xiàn)實(shí)時(shí)的多目標(biāo)跟蹤，提出了

6、基于自適應(yīng)運(yùn)動(dòng)相關(guān)協(xié)作的多目標(biāo)跟蹤算法。該算法根據(jù)目標(biāo)運(yùn)動(dòng)信息建立目標(biāo)間相關(guān)度，通過相關(guān)度狀態(tài)估計(jì)協(xié)作模型預(yù)測(cè)目標(biāo)狀態(tài)，實(shí)現(xiàn)多目標(biāo)跟蹤。實(shí)驗(yàn)結(jié)果表明，僅采用基本的短時(shí)跟蹤算法，結(jié)合該協(xié)作模型則可以有效的處理目標(biāo)遮擋，實(shí)現(xiàn)實(shí)時(shí)穩(wěn)定的多目標(biāo)跟蹤。
　　(6)針對(duì)對(duì)象跟蹤算法的應(yīng)用問題，結(jié)合具體的應(yīng)用場(chǎng)景研究了相應(yīng)的技術(shù)方法。關(guān)于醫(yī)學(xué)圖像處理的應(yīng)用，提出了一種基于分層檢測(cè)的人體膝關(guān)節(jié)前交叉韌帶(ACL)定位方法，用于解決在圖像中檢測(cè)和定