多紋理目標的實時魯棒跟蹤研究.pdf

1、隨著計算機視覺科學的逐步發(fā)展，目標跟蹤技術已在人類的生產和生活中得到了廣泛的應用，例如智能監(jiān)控、天氣預測、軍事防衛(wèi)、智能交通、醫(yī)療診斷以及人機互動等領域。在這些目標中，引起人們注意的往往是有紋理的目標，而紋理少或沒有紋理的目標通常不會引起人們的注意。因此，本文著重研究對多紋理目標的跟蹤。目標跟蹤環(huán)境中有許多復雜條件需要應對，跟蹤過程中存在著目標快速運動、目標發(fā)生形變、目標被遮擋、背景雜亂、光照劇烈變化等問題。針對這些問題，學者們提出了許

2、多目標跟蹤算法。本文試圖實現(xiàn)實時魯棒的目標跟蹤，進行了相關研究，并提出了三種新的目標跟蹤算法：
　　一、動態(tài)更新學習率的快速多示例學習跟蹤算法（FDMIL）。多示例學習跟蹤算法采用了低效的強分類器更新方法，并且在更新分類器時，將分類器的學習率定為恒值，導致了分類器不能準確的反映當前目標的真實外觀，降低了跟蹤的魯棒性。因此，動態(tài)更新學習率的快速多示例學習跟蹤算法直接從弱分類器池中選取效果好的弱分類器組成強分類器，提高了分類器的更新速

3、率；同時算法中分類器學習率根據被跟蹤目標的外觀變化情況進行動態(tài)更新，使分類器更新的速率與目標外觀的變化程度保持一致，提高了分類器識別真實目標的準確性，從而提高了跟蹤的魯棒性。
　　二、雙特征融合的加權多示例學習跟蹤算法（DWMIL）。多示例學習跟蹤算法在訓練分類器時，采用包作為訓練單位而非包中的每個示例，此外，多示例學習跟蹤算法沒有考慮正示例對分類器訓練的貢獻大小。因此， DWMIL根據示例對分類器訓練的重要程度，給每個示例加了一

4、個權重。同時， DWMIL同時釆用了Haar-like和 HOG兩種特征描述目標，達到互補的作用。當出現(xiàn)各種復雜情況某個特征不能很好地適應目標變化時，另一目標發(fā)揮作用，保證了跟蹤的魯棒性。
　　三、本文還提出了一種基于 SIFT特征的目標重跟算法，用于目標跟蹤丟失后重新找回。通過基于 SIFT特征的目標檢測，在目標跟蹤丟失后重新確定目標的位置。
　　為了驗證算法效果，進行了眾多實驗。結果表明，F(xiàn)DMIL和 DWMIL算法相比