非剛性目標的跟蹤-學習-檢測算法研究.pdf

1、目標跟蹤是計算機視覺研究的前沿研究領域。傳統(tǒng)跟蹤-學習-檢測算法解決了目標消失重現(xiàn)并繼續(xù)跟蹤的問題，但是該算法僅適用于剛性目標場景，無法解決非剛性目標的跟蹤問題。針對該問題，本文提出一種非剛性目標的跟蹤-學習-檢測的算法。通過軟化模型建模非剛性目標，實現(xiàn)對幾何形狀未知的非剛性物體高效魯棒的跟蹤。
　　首先，針對非剛性目標跟蹤的系統(tǒng)性問題，提出一種新型的基于軟化模型的跟蹤-學習-檢測框架。該框架整合了采用十字骨架模型的跟蹤模塊和采用

2、概率模板匹配的檢測模塊，同時在學習策略中加入了對跟蹤器的在線學習機制，最終實現(xiàn)了一個高效的針對非剛性目標長時間跟蹤的跟蹤-學習-檢測算法系統(tǒng)。
　　其次，在傳統(tǒng)跟蹤-學習-檢測算法中針對跟蹤模塊光流特征點漂移和丟失的問題，提出一種光流特征點的選擇策略，改善了未知幾何形狀的非剛性目標跟蹤時前景跟蹤點的選擇問題。該方法通過一個矩陣奇異值分解算法對光流特征點進行降維，并采用一種十字骨架模型進行有效前景跟蹤點提取，同時對發(fā)散的背景特征點去

3、除。再此基礎上依靠在線學習的方法不斷更新十字骨架模型以擬合目標真實的前景光流特征點，最終有效的解決了跟蹤模塊的在非剛性目標下的特征點選擇問題。
　　最后，在跟蹤-學習-檢測算法中，針對其檢測模塊存在的非剛性目標模板匹配問題，提出一種基于軟化模型的改進匹配算法，實現(xiàn)了對非剛性目標的有效前景匹配。該方法基于跟蹤模塊提出的十字骨架模型，并在此基礎上結合快速的圖像分割算法實現(xiàn)了高效的目標前景區(qū)域恢復。然后，將該目標前景區(qū)域與傳統(tǒng)的包含背景