基于壓縮感知單目標(biāo)多尺度跟蹤算法研究.pdf

1、視頻跟蹤在視頻監(jiān)控、人機(jī)交互、交通監(jiān)控等領(lǐng)域有著重要的應(yīng)用，雖然在這些方面已經(jīng)取得了一些成功，但是由于受到光照變化，目標(biāo)形變以及突然加速等因素的干擾，建立一個(gè)穩(wěn)定、高效的跟蹤系統(tǒng)仍非常具有挑戰(zhàn)性。本文提出了兩種魯棒實(shí)時(shí)的跟蹤算法，用于解決跟蹤過(guò)程中遇到的干擾。
　　基于預(yù)測(cè)的多尺度壓縮跟蹤算法。在基于檢測(cè)的跟蹤算法中，目標(biāo)表示是通過(guò)提取目標(biāo)特征來(lái)構(gòu)建表觀模型實(shí)現(xiàn)的。而為了減少計(jì)算量，提高實(shí)時(shí)性，傳統(tǒng)的方法，有的是構(gòu)建子空間模型來(lái)表

2、示目標(biāo)，有的是利用增量子空間模型表示目標(biāo)來(lái)適應(yīng)目標(biāo)外觀的變化，有的通過(guò)支持向量機(jī)(SVM)來(lái)提高判別特征的選擇。但是，這些跟蹤算法的計(jì)算量普遍較大，難以達(dá)到實(shí)時(shí)性的要求，不能滿足實(shí)際應(yīng)用的需要。為了降低算法的計(jì)算量，本文提出了基于預(yù)測(cè)的多尺度壓縮跟蹤算法。該算法在預(yù)測(cè)的目標(biāo)位置附近抽取正樣本，在遠(yuǎn)離預(yù)測(cè)的位置附近抽取負(fù)樣本，然后與多尺度方框?yàn)V波器進(jìn)行卷積得到目標(biāo)的多尺度特征向量。由于預(yù)測(cè)的位置與目標(biāo)的實(shí)際位置比較接近，所以，在搜索目標(biāo)特

3、征時(shí)，所采用的搜索半徑就不需要太大，有效的減少了計(jì)算量。但是，由于構(gòu)建的多尺度高維特征向量的維數(shù)比較大，跟蹤過(guò)程中仍然需要大量的計(jì)算，利用壓縮感知技術(shù)降低特征向量的維數(shù)，減少跟蹤過(guò)程中的計(jì)算量，并且降維后的特征基本保留了原始特征向量的大部分信息。在壓縮感知后的壓縮域內(nèi)，利用樸素貝葉斯分類器對(duì)特征進(jìn)行分類，把分類分?jǐn)?shù)最大的特征位置，作為目標(biāo)的跟蹤位置。
　　基于顏色修正的多尺度壓縮跟蹤算法。在基于檢測(cè)的壓縮跟蹤算法(CT)及其改進(jìn)算

4、法雖然實(shí)現(xiàn)了實(shí)時(shí)性，但由于提取的跟蹤目標(biāo)特征比較單一，只提取了跟蹤對(duì)象的灰度haar.like特征，造成了構(gòu)建的表觀模型在跟蹤時(shí)的魯棒性比較差。所以，本文提出了基于顏色修正的多尺度壓縮跟蹤算法，在原有的算法基礎(chǔ)上，融合了目標(biāo)的顏色信息，并且結(jié)合粒子濾波框架，實(shí)現(xiàn)了算法的多尺度跟蹤。在分類器更新方式上也做了改進(jìn)，使用雙S形曲線，對(duì)分類器參數(shù)實(shí)現(xiàn)了自適應(yīng)更新，更好的抑制噪聲的干擾和錯(cuò)誤的分類造成的跟蹤失敗。
　　論文的實(shí)驗(yàn)是在Wind

5、owS7平臺(tái)，采用MATLAB2014a進(jìn)行編程實(shí)現(xiàn)的。在實(shí)驗(yàn)中，用于檢測(cè)的測(cè)試序列來(lái)自于benchmark檢測(cè)標(biāo)準(zhǔn)庫(kù)提供。進(jìn)行對(duì)比的算法代碼有作者提供，參數(shù)設(shè)置均采用默認(rèn)設(shè)置。通過(guò)實(shí)驗(yàn)驗(yàn)證，表明基于預(yù)測(cè)的多尺度壓縮跟蹤算法能夠在光照變化、形變、遮擋、背景雜亂等情況下具有比較好的魯棒性，相對(duì)于CT、FCT、MSCT基于壓縮感知的跟蹤算法，速度更快，魯棒性更好；基于顏色修正的多尺度壓縮跟蹤算法，在復(fù)雜場(chǎng)景中，對(duì)于目標(biāo)跟蹤過(guò)程中發(fā)生的形變，