基于低秩和稀疏表示模型的視頻目標(biāo)提取和跟蹤研究.pdf

1、視頻目標(biāo)的提取與跟蹤是計算機視覺領(lǐng)域的基本問題，也是智能視頻監(jiān)控系統(tǒng)的關(guān)鍵與核心技術(shù)。目前，盡管這方面的研究取得了令人矚目的進展，但是，由于數(shù)據(jù)、場景、環(huán)境的復(fù)雜性，視頻目標(biāo)的提取與跟蹤仍是挑戰(zhàn)性極大的研究課題。本文圍繞上述復(fù)雜因素，從低秩和稀疏表示模型的角度出發(fā)，對視頻目標(biāo)的提取和跟蹤問題展開討論，分別研究了基于正則化低秩表示模型的視頻目標(biāo)分割、基于加權(quán)低秩分解的多模態(tài)運動目標(biāo)檢測、基于圖像塊表達和動態(tài)圖學(xué)習(xí)的目標(biāo)跟蹤以及基于協(xié)同稀疏

2、表示模型的多模態(tài)目標(biāo)跟蹤。
　　在視頻目標(biāo)提取方面，針對視頻數(shù)據(jù)中類內(nèi)差異性和類間相似性較大，以及視頻噪聲的存在，提出一種基于正則化低秩表示模型的視頻目標(biāo)分割框架。以超體素為圖結(jié)點，使用低秩表示模型優(yōu)化它們之間的相似性關(guān)系，可以有效地克服稀疏大噪聲和稠密高斯噪聲的干擾。為了提高超體素之間的判別性，在稀疏表示模型中引入判別性重復(fù)先驗對稀疏表示系數(shù)矩陣進行正則化，即正則化稀疏表示模型。由于視頻數(shù)據(jù)一般是非常龐大的，因此，提出一種基于次

3、優(yōu)低秩分解的優(yōu)化算法高效地求解提出的模型，并在理論上保證了其收斂性。同時，提出流處理方法，使得分割方法能夠在有限的計算和存儲資源中處理無限長的視頻。為了驗證有效性，本文分別把優(yōu)化的超體素的相似性關(guān)系應(yīng)用于無監(jiān)督的和交互式的視頻目標(biāo)分割任務(wù)，均取得了較優(yōu)的性能。
　　針對場景和環(huán)境的復(fù)雜性，本文提出了一種基于加權(quán)低秩分解的多模態(tài)運動目標(biāo)檢測的通用框架。由于可見光譜信息受復(fù)雜場景、光照和霧霾等因素的干擾較大，因此，引入熱紅外光譜信息對

4、其進行補充。具體地，通過為每個模態(tài)引入一個質(zhì)量權(quán)重，把不同模態(tài)的具有低秩結(jié)構(gòu)的背景數(shù)據(jù)、多模態(tài)共享的稀疏前景模板以及前景、背景像素點的連續(xù)性約束進行聯(lián)合建模，使得能夠自適應(yīng)地融合多模態(tài)數(shù)據(jù)，進而魯棒地檢測運動目標(biāo)。為了進一步地改善算法檢測效率并保持精度，提出一種有效的基于保邊濾波的加速算法，使得算法效率達到近實時。此外，構(gòu)建了一個包括25個視頻對的多模態(tài)運動目標(biāo)檢測平臺，彌補了該領(lǐng)域缺乏標(biāo)準(zhǔn)評價體系的不足，促進相關(guān)領(lǐng)域的研究發(fā)展。

5、>　　在目標(biāo)跟蹤方面，為了解決基于檢測的跟蹤框架中的模型漂移問題，本文提出了一種基于圖像塊的動態(tài)圖學(xué)習(xí)方法，消弱目標(biāo)表達中的背景干擾。首先，把跟蹤矩形框劃分成不重疊的小圖像塊，并為每個圖像塊分配一個權(quán)重，用來表示圖像塊對于目標(biāo)的重要性。由于傳統(tǒng)的8-鄰域圖忽略了圖的全局結(jié)構(gòu)以及局部線性關(guān)系，因此，以圖像塊為圖結(jié)點，利用它們之間的全局低秩結(jié)構(gòu)、稀疏局部線性關(guān)系以及邊權(quán)的非負性動態(tài)地學(xué)習(xí)圖的結(jié)構(gòu)，同時，以半監(jiān)督的方式聯(lián)合地優(yōu)化圖像塊的權(quán)重向

6、量。其次，為了提高跟蹤方法的時效性，提出一個實時的優(yōu)化算法求解提出的模型。最后，把優(yōu)化的權(quán)重向量嵌入到目標(biāo)跟蹤和模型更新中，極大地提高跟蹤性能。
　　為了克服場景和環(huán)境復(fù)雜性帶來的挑戰(zhàn)，本文在貝葉斯濾波框架下提出了一種基于協(xié)同稀疏表示模型的多模態(tài)目標(biāo)跟蹤方法。傳統(tǒng)的多模態(tài)目標(biāo)跟蹤方法把每個模態(tài)平等地對待，如果某個模態(tài)的信息有非常大的歧義性，則會對最終的跟蹤結(jié)果造成影響。因此，本文自適應(yīng)地融合不同的模態(tài)，即在稀疏表示模型中為每個模態(tài)