基于偏最小二乘法的視覺目標檢測與跟蹤方法研究.pdf

1、在計算機視覺領(lǐng)域中，目標檢測和目標跟蹤研究與實際應用聯(lián)系非常緊密。并且，以在線目標檢測的方式進行目標跟蹤是目前流行的一種目標跟蹤框架。目標檢測方法所建立的判別模型能夠在目標跟蹤中表現(xiàn)出良好的性能。然而，目前的目標檢測和目標跟蹤算法還存在著許多不足，如難以處理遮擋、光照變化、姿勢變化和尺度變化等。為了更好地解決這些問題，本文開展了一些列的研究工作。鑒于目標檢測和目標跟蹤之間的緊密聯(lián)系和它們的研究價值，本文的研究工作沿著從目標檢測到目標跟蹤

2、的遞進式路線開展。首先從目標檢測方法的研究出發(fā)，提出了一種基于橋偏最小二乘法(Bridge Partial Least Squares)和廣義霍夫變換的目標檢測方法，以及一種多尺度投票方案和一個基于互信息理論的假設融合策略，獲得了較好的多尺度目標檢測效果。在此基礎(chǔ)上，本文進一步對所提出的目標檢測方法予以改進，提出了一種遞推的橋偏最小二乘法(Recursive BridgePartial Least Squares)，并基于此提出了一種新

3、的以在線目標檢測方式進行目標跟蹤的方法。此外，本文還將所提出的目標跟蹤方法進行了更進一步的改進，提出了一種基于非線性遞推橋偏最小二乘法的目標跟蹤方法，獲得了較好的目標跟蹤效果。本文的具體工作和創(chuàng)新點包括:
　　提出了一種基于橋偏最小二乘法和廣義霍夫變換的目標檢測方法（簡稱HRM-bpn方法）。本文使用廣義霍夫變換作為目標檢測框架，能夠使目標檢測算法對遮擋有一定的魯棒性;使用橋偏最小二乘法來對局部圖像特征與目標中心位置之間的關(guān)系進行

4、建模，能夠減少高維特征向量中的冗余信息并避免多重共線性(Multicollinearity)問題。實驗結(jié)果表明，該目標檢測方法在部分具有挑戰(zhàn)性的數(shù)據(jù)集上取得了較好的效果;而橋偏最小二乘法的性能表現(xiàn)與傳統(tǒng)偏最小二乘法非常接近，但其能夠明顯地提高模型訓練階段的效率。
　　提出了一種多尺度投票方案和一個基于互信息理論的假設融合策略。本文提出的多尺度投票方案能夠同時在多個尺度上產(chǎn)生霍夫投票，從而高效地得到多個尺度上的霍夫圖像(Hough

5、Image)。另外，本文提出了一種基于互信息理論的目標假設融合策略，能夠有效減少多尺度目標檢測中的誤檢。實驗表明，與常用的基于圖像金字塔的方案和非極大值抑制策略相比，本文提出的多尺度投票方案和假設融合策略能明顯提高HRM-bpn方法的性能，更好地解決目標檢測中的尺度問題。
　　提出了一種基于遞推的橋偏最小二乘法的目標跟蹤算法。本文對橋偏最小二乘法予以改進，提出了一種遞推的橋偏最小二乘法。該方法能夠高效地融合目標跟蹤過程中歷史數(shù)據(jù)和

6、新數(shù)據(jù)，并以相同的計算量在每一幀中在線更新霍夫回歸模型。實驗結(jié)果表明，該方法在部分具有挑戰(zhàn)性的數(shù)據(jù)集上能夠表現(xiàn)出較好的目標跟蹤性能，但線性霍夫回歸模型所產(chǎn)生的投票精度有限。
　　提出了一種基于非線性遞推橋偏最小二乘法的目標跟蹤算法。本文使用Nystr(o)m方法對再生核希爾伯特空間中的高維向量進行近似和降維，解決了遞推橋偏最小二乘法中使用的協(xié)方差矩陣在再生核希爾伯特空間中難以計算的問題。在此基礎(chǔ)上，將遞推的橋偏最小二乘法引入到再生

7、核希爾伯特空間中，提出了一種非線性的遞推橋偏最小二乘法。該方法能夠在線地生成更加魯棒的、非線性的霍夫回歸模型，更準確地預測目標位置。此外，針對遞推橋偏最小二乘法中較為重要的數(shù)據(jù)中心化問題，提出了一種新的隱式數(shù)據(jù)中心化公式。對于原本需要使用已中心化的數(shù)據(jù)來計算的協(xié)方差矩陣，新公式能夠使用未中心化的數(shù)據(jù)直接計算出該協(xié)方差矩陣，從而解決了遞推橋偏最小二乘法中的數(shù)據(jù)中心化問題。實驗表明，該目標跟蹤方法在更多有挑戰(zhàn)性的數(shù)據(jù)集上取得了較好的目標跟蹤