增量型目標(biāo)跟蹤關(guān)鍵技術(shù)研究.pdf

1、在當(dāng)今信息化社會(huì)中，視頻監(jiān)控、視頻檢索、人機(jī)交互以及視頻編解碼等各種與視頻相關(guān)的應(yīng)用不斷涌現(xiàn)出來，與這些應(yīng)用相隨的是海量的視頻數(shù)據(jù)，計(jì)算機(jī)視覺研究的發(fā)展則為這些海量視頻數(shù)據(jù)的處理提供了技術(shù)支撐。借助于目標(biāo)檢測(cè)、跟蹤等視頻處理技術(shù)，計(jì)算機(jī)能夠自動(dòng)分析、識(shí)別目標(biāo)物的運(yùn)動(dòng)狀態(tài)與行為，使得視頻數(shù)據(jù)的處理變得更為智能化。目前，經(jīng)過人們?cè)谀繕?biāo)跟蹤領(lǐng)域長(zhǎng)期的研究，目標(biāo)跟蹤技術(shù)已經(jīng)有了長(zhǎng)足的發(fā)展，但是在復(fù)雜場(chǎng)景中對(duì)任意目標(biāo)物進(jìn)行穩(wěn)定、準(zhǔn)確的跟蹤仍然是一

2、件困難的事情。外觀模型是目標(biāo)跟蹤算法框架中的核心組成部分，其根據(jù)從底層提取的圖像信息對(duì)視頻中可能的目標(biāo)物圖像區(qū)域進(jìn)行判斷和決策，因此直接影響著目標(biāo)跟蹤的性能。但是視點(diǎn)的改變、光照的變化以及部分遮擋等因素的存在都會(huì)引起目標(biāo)跟蹤誤差的產(chǎn)生，甚至造成目標(biāo)物的丟失。
　　 建立具有自適應(yīng)性的外觀模型是提高目標(biāo)跟蹤性能的關(guān)鍵，據(jù)此，本文從子空間學(xué)習(xí)方法與有監(jiān)督學(xué)習(xí)方法出發(fā)，以增量的方式構(gòu)造可在線更新的目標(biāo)物外觀模型，并在此基礎(chǔ)上設(shè)計(jì)跟蹤算

3、法對(duì)視頻中的目標(biāo)物實(shí)施跟蹤。本文的主要研究?jī)?nèi)容包括：
　　 (1)提出了基于加權(quán)增量子空間的目標(biāo)跟蹤方法。利用視頻中的目標(biāo)圖像集合構(gòu)造一個(gè)低維子空間，以此作為目標(biāo)物的外觀模型。在后續(xù)視頻序列中采集圖像樣本，根據(jù)這些樣本在子空間中的投影重構(gòu)原圖，由原圖與重構(gòu)圖像之間的差值估算圖像為目標(biāo)區(qū)域的似然度，選取具有最大似然度的樣本作為目標(biāo)圖像區(qū)域。根據(jù)當(dāng)前幀中確定的目標(biāo)圖像樣本，以增量的方式對(duì)目標(biāo)外觀模型進(jìn)行更新，考慮到視頻所具有的時(shí)序特

4、性，賦予樣本與時(shí)間相關(guān)的權(quán)值，以此構(gòu)造一個(gè)更符合當(dāng)前目標(biāo)物外觀變化的子空間外觀模型，在視點(diǎn)、光照變化以及部分遮擋情況下的實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的穩(wěn)定性與準(zhǔn)確性。
　　 (2)提出了基于增量型非負(fù)矩陣分解的目標(biāo)跟蹤方法。采用非負(fù)矩陣分解方法對(duì)目標(biāo)圖像集合建立低維子空間描述，使得每個(gè)圖像樣本都可以由一組基圖像線性表示，根據(jù)相鄰視頻幀中目標(biāo)圖像在坐標(biāo)向量上的強(qiáng)相關(guān)性，可以由前一幀視頻中已知的目標(biāo)圖像來確定當(dāng)前視頻幀中的目標(biāo)區(qū)域，為此選取

5、具有最大相關(guān)性的圖像樣本作為當(dāng)前幀中的目標(biāo)圖像區(qū)域。在確定目標(biāo)圖像以后，以增量的方式更新基圖像，以此完成子空間的在線更新，最后根據(jù)復(fù)雜場(chǎng)景中對(duì)剛性目標(biāo)物與非剛性目標(biāo)物跟蹤的結(jié)果總結(jié)了該方法的特點(diǎn)。
　　 (3)提出了基于增量線性判別空間的目標(biāo)跟蹤方法。根據(jù)已有的目標(biāo)類圖像樣本集與背景類圖像樣本集構(gòu)造一維線性判別空間，后續(xù)視頻中所采集的圖像樣本被投影到該判別空間中，樣本投影與目標(biāo)類投影均值之間的歐氏距離度量了圖像樣本為目標(biāo)圖像區(qū)域

6、的似然度，具有最大似然度的圖像樣本就為當(dāng)前幀中的目標(biāo)區(qū)域，在完成跟蹤以后，分別計(jì)算類別已知的圖像樣本類間散度矩陣與總體散度矩陣的充分生成集，在此基礎(chǔ)上以增量的方式更新投影矩陣，使判別空間保持判別能力。實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)δ繕?biāo)物進(jìn)行仿射不變的跟蹤。
　　 (4)提出了基于增量非對(duì)稱Boosting的目標(biāo)跟蹤算法。根據(jù)Boosting算法構(gòu)造強(qiáng)分類器，利用其對(duì)視頻圖像中所采集的圖像樣本進(jìn)行判別，以此確定目標(biāo)圖像。設(shè)置了多個(gè)分類