視覺目標跟蹤中表觀建模方法研究.pdf

1、視覺目標跟蹤（Visual Object Tracking）是計算機視覺和模式識別領(lǐng)域的重要課題之一，在智能交通、視頻監(jiān)控、人機交互、智能導(dǎo)航等領(lǐng)域有著廣泛的應(yīng)用。典型的視覺目標跟蹤算法主要由表觀建模、目標狀態(tài)搜索和表觀模型更新三個部分組成，其中表觀建模處于核心地位，直接影響目標跟蹤效果。盡管研究者提出了大量針對視覺目標跟蹤的表觀建模方法，然而設(shè)計一個適用于實際應(yīng)用中各種復(fù)雜跟蹤環(huán)境的魯棒表觀模型，仍然是目標跟蹤領(lǐng)域的難點問題之一。本文

2、從多特征融合精度、遮擋的檢測與處理、表觀模型的穩(wěn)定性和判別性以及多目標跟蹤中不同目標物的有效區(qū)分等方面對表觀建模方法展開研究與討論，主要研究內(nèi)容包括以下四點：
　　基于多特征融合的表觀建模方法研究。多特征融合方法是表觀建模的常用方法，其核心問題是如何準確評估不同特征對目標的描述能力，從而在目標跟蹤過程中自適應(yīng)調(diào)整特征融合權(quán)重，利用特征之間的互補性提高表觀模型的魯棒性。為了提高多特征融合方法中特征融合的精度，本文提出了一種基于局部核

3、加權(quán)的多特征融合表觀建模方法。將目標區(qū)域分解為多層次的子圖像塊，在每個子圖像塊上分別提取背景加權(quán)特征直方圖，以子圖像塊為單位調(diào)整特征間的融合權(quán)重。該方法突出了圖像特征對目標局部區(qū)域的描述能力，提高了目標整體表觀模型的特征融合精度。實驗結(jié)果表明所提出的方法相比于傳統(tǒng)的多特征融合方法具有更好的跟蹤精度和穩(wěn)定性。
　　目標跟蹤過程中的遮擋檢測與處理方法。遮擋一直是視覺目標跟蹤中的一個難點問題。本文針對基于稀疏表示的目標跟蹤方法中普遍采用

4、的單位噪聲矩陣對目標遮擋描述能力較差的問題，提出了一種局部稀疏表示表觀模型對目標遮擋區(qū)域進行檢測。以此為基礎(chǔ)，在候選觀測似然計算過程中以及目標觀測模板更新過程中，顯式地對遮擋區(qū)域進行限制與修正，在一定程度上減輕了遮擋對目標跟蹤定位的負面影響。實驗結(jié)果表明，所提出的方法對目標跟蹤過程中的各種遮擋情況具有較好的魯棒性。
　　基于稀疏編碼的表觀建模方法研究。在前面的方法中，我們利用稀疏表示對目標局部圖像塊的表觀特征進行描述，取得了較好的

5、遮擋檢測效果。然而該方法只考慮了如何有效地對目標的局部圖像特征進行描述，并沒有考慮局部特征之間的空間結(jié)構(gòu)信息對目標的描述能力，以及局部特征對目標表示的判別能力。為了提高表觀模型的穩(wěn)定性和判別能力，本文提出了一種基于判別式稀疏編碼的表觀模型。首先，提出一種判別式基函數(shù)學(xué)習(xí)方法，使得局部圖像塊的稀疏編碼系數(shù)向量對目標和背景具有更好的區(qū)分度。然后，將所有局部圖像塊的稀疏編碼向量按照結(jié)構(gòu)化方式進行聚集，生成目標整體特征向量。并在聚集過程中，提出

6、了一種基于特征維度可分性統(tǒng)計的降維方法，對稀疏編碼向量中的噪聲進行過濾，從而進一步提高整體目標特征向量的類間區(qū)分度。最后，將目標跟蹤問題轉(zhuǎn)化為一個二分類問題實現(xiàn)目標定位。實驗結(jié)果表明，所提出的方法對光照變化、嚴重遮擋、混亂背景等復(fù)雜跟蹤環(huán)境具有較好的適應(yīng)力。
　　多目標跟蹤中的表觀建模方法研究。在對單目標跟蹤任務(wù)中表觀建模方法進行了研究與討論的基礎(chǔ)上，我們將研究內(nèi)容擴展到多目標跟蹤任務(wù)中。相比于單目標跟蹤，多目標跟蹤更為復(fù)雜。除了

7、要應(yīng)對來自目標自身和外界環(huán)境的各種變化以外，多個跟蹤目標之間經(jīng)常出現(xiàn)的相互遮擋和交替并行等情況，使得多目標跟蹤面臨著更大的挑戰(zhàn)。為了解決多目標跟蹤中由于目標物外觀相似、空間距離相近等因素造成的目標之間區(qū)分困難的問題，本文提出了一種基于SRC（Sparse Representation based Classification）和MFH（Multiple Features Hashing）的聯(lián)合表觀模型。首先，將多個目標物的區(qū)分問題轉(zhuǎn)化為