基于視頻的人體目標跟蹤與識別技術研究.pdf

1、基于視頻的目標跟蹤與識別技術是計算機視覺的主要研究方向之一，是諸如智能監(jiān)控、人機交互、地形導航及視頻智能標注檢索等應用的基礎和關鍵技術，是實現(xiàn)“智慧城市”、“平安城市”的重要手段，具有重要的理論研究與實際應用價值。然而，自然非受控條件下獲取的視頻中，環(huán)境復雜多變，對其中各類目標跟蹤識別帶來諸多挑戰(zhàn)。針對各種復雜場景及不同目標，如何設計實現(xiàn)效率高、魯棒性好、實時性強的目標跟蹤識別技術仍然是當今業(yè)界研究的熱點及難點。鑒于此認識，本文立足于前

2、人一系列優(yōu)秀成果，啟發(fā)于人類自身視覺系統(tǒng)完美的目標發(fā)現(xiàn)跟蹤與識別機制，主要針對視頻中人體目標的跟蹤與識別問題展開了深入的研究，取得的創(chuàng)新性成果如下：
　　1．針對目標樣本稀缺，致使目標特征初始不充分，抑或目標原有特征易被遮擋、偽裝，甚或因時光荏苒而逐漸滅失消亡，從而導致目標已知特征數據逐漸失效，如此種種，最終導致目標跟蹤識別效率極低，提出了一種基于單樣本的自主在線的目標特征學習及更新算法（One Sample Based Auto

3、nomous Online Features Learning and Updating Algorithm，F(xiàn)LUA）。算法首先基于目標單樣本獲取的局部特征，對視頻中目標的相似視圖區(qū)域進行識別定位，爾后根據視頻幀之間靜態(tài)特征點的值、分布及其運動一致性等多重匹配的校驗，在線學習更新目標新特征，一旦目標新特征得到確認，立即作用于隨后的目標跟蹤識別及其特征學習更新過程。實驗結果表明，本章提出的 FLUA算法無需大量目標樣本圖像，無需事先大量

4、訓練，縱然在單樣本情形下，特征學習獲取效果依然顯著，有效的提高了目標跟蹤過程的效率。特征學習無需復雜的迭代求解過程，更新速度快，能夠滿足跟蹤系統(tǒng)實時性要求。
　　2．針對人體目標頭部姿態(tài)抑或臉部表情等變化、臉部化妝抑或偽裝等等嚴重影響目標人臉部圖像的跟蹤獲取，從而對基于人臉的目標跟蹤與識別等應用系統(tǒng)產生極為不利的影響，提出了一種基于人體模糊跟蹤的人臉跟蹤獲取算法（Human Body Fuzzy Tracking Based Fa

5、ce Tracking and Capturing Algorithm，B-FTC）。算法首先根據目標身體各肢體部分特征及運動一致性匹配跟蹤定位目標的身體，爾后根據目標頭部與身體的位置及運動相關性定位獲取目標的臉部圖像。在對目標身體跟蹤識別的同時，引入了在線特征學習更新機制以應對目標的外觀特征的逐步變化。實驗結果證明，該算法對目標頭部姿態(tài)、鏡頭視角、臉部表情等等變化，以及臉部局部遮擋、化妝、偽裝等等不利因素具有完全的魯棒性，同時具有極好

6、的臉部跟蹤獲取及歸屬分類效果，在自然監(jiān)控視頻及四川變臉表演視頻中，對目標臉部圖像的跟蹤獲取率都在90％以上，正確率幾近達到100%。
　　3．針對監(jiān)控視頻不同于生活攝影，其中人物臉部表情及頭部動作較多自然變化，獲取的臉部圖像多以不同視角的‘表情碎片’形式存在，從而導致基于正面或近正面表情平靜的人臉識別算法失效，本文提出了一套可以相當程度免疫于頭部姿態(tài)、表情、光線等諸多變化以及部分遮擋等不利情形下，N:M的video-to-vide

7、o人臉自動識別算法（Space and Expression Double Weighted based Video-to-Video Face Recognition，SEDW-2VFR）。算法首先根據臉部碎片特征點的值、分布的雙重匹配及其運動變換的誤差大小對基準視頻中跟蹤獲取的目標臉部碎片圖像進行區(qū)域及表情的雙重分類，對基準目標的每一臉部圖像類集進行特征投影矩陣的生成及特征的提取，而后對待測視頻中跟蹤獲取的目標人臉部碎片進行在線分權

8、2D-PCA識別。實驗表明，該算法對頭部姿態(tài)及表情等變化具有很強的魯棒性，在自然條件下的生活視頻中，目標跟蹤識別率依然達到90%以上。
　　4．針對大多數現(xiàn)有步態(tài)識別算法預設條件苛刻，其中步態(tài)表示、提取及比對過程復雜，計算量大，識別效果差，提出了一種基于肢體區(qū)域及步態(tài)周期雙重區(qū)分的步態(tài)特征異步提取，同步分權融合的2D-PCA步態(tài)識別算法(Limbs and Gait Period Double Distinguished Feat

9、ure Asynchronous Extraction and Synchronous Weighted Fusion Based Gait Recognition，F(xiàn)AESWF-GR)。算法首先對基準目標各肢體部分進行異步特征提取，并根據步態(tài)特征周期的長度進行歸類和‘時間片’劃分，而后采用2D-PCA算法對不同周期長度的步態(tài)特征‘時間片’子集進行特征投影矩陣生成及特征提取，然后對待識別目標肢體各部分進行在線的步態(tài)周期特征提取及時間片劃

10、分，同時進行同步與分權相融合的2D-PCA步態(tài)識別。實驗表明，算法的步態(tài)特征異步提取機制具備了對視頻中身體局部碎片圖像進行特征提取的能力，從而使算法對身體的視角、姿態(tài)、焦距的變化及身體的局部遮擋等等都具有了極強的魯棒性。另外，算法的同步與分權相融合的綜合比對機制中肢體各部分特征權重可調，從而使算法能針對不同情形對肢體各部分特征賦予不同權重，極易體現(xiàn)肢體各部分在不同情形下步態(tài)的整體性及權重的差異性，很好適應自然條件下視頻中目標人身體及其所