復(fù)雜條件下運動目標(biāo)跟蹤方法的研究.pdf

1、運動目標(biāo)跟蹤是計算機視覺的重要研究內(nèi)容，在智能監(jiān)控、精確制導(dǎo)、視覺導(dǎo)航等領(lǐng)域具有廣泛的應(yīng)用。盡管國內(nèi)外研究人員對此進行了深入研究，但運動目標(biāo)跟蹤依然面臨若干挑戰(zhàn)性問題，突出表現(xiàn)在復(fù)雜條件下的目標(biāo)姿態(tài)變化、光照變化、尺度變化、背景復(fù)雜、遮擋等因素的干擾。基于此，本文重點研究基于機器學(xué)習(xí)的目標(biāo)跟蹤算法，主要的研究工作如下：
　　(1)提出了基于二值化規(guī)范梯度的TLD目標(biāo)跟蹤算法。在跟蹤器中引入基于時空上下文的局部跟蹤器失敗預(yù)測方法和全

2、局運動模型評估算法，提高跟蹤精度。二值化規(guī)范梯度算法取代滑動窗口搜索策略，結(jié)合級聯(lián)分類器實現(xiàn)目標(biāo)檢測，在保證檢測精度的前提下，減少檢測器的檢測范圍，提高了檢測速度。將訓(xùn)練樣本權(quán)重整合到在線學(xué)習(xí)過程中，提高級聯(lián)分類器的分類精度，解決目標(biāo)漂移問題。實驗結(jié)果表明，與目前主流跟蹤算法比較，在復(fù)雜條件下該算法提高跟蹤精度的同時具有更快的處理速度。
　　(2)提出了一種基于深度學(xué)習(xí)的目標(biāo)跟蹤算法。該算法以TLD算法為框架，利用增強群跟蹤器對目

3、標(biāo)進行預(yù)測與跟蹤，提高目標(biāo)跟蹤的精度。P-N學(xué)習(xí)對樣本加權(quán)處理，提高分類器的分類精度。深度去噪自編碼器和sigmoid分類器構(gòu)建深度檢測器，結(jié)合全局多尺度掃描窗口搜索策略檢測可能的目標(biāo)。深度去噪自編碼器利用無監(jiān)督特征學(xué)習(xí)優(yōu)化網(wǎng)絡(luò)參數(shù)，遷移學(xué)習(xí)將學(xué)習(xí)到的信息應(yīng)用到在線跟蹤中，提取圖像的本質(zhì)特征，同時解決跟蹤過程中訓(xùn)練樣本不足的問題。在線跟蹤過程中，利用分類神經(jīng)網(wǎng)絡(luò)將目標(biāo)從背景中分離出來，利用有監(jiān)督學(xué)習(xí)微調(diào)網(wǎng)絡(luò)參數(shù)，以適應(yīng)跟蹤過程中的各種變

4、化。使用K均值聚類算法對在線模板集聚類，形成二值樹，減少模板匹配數(shù)量，從而降低算法復(fù)雜度。實驗結(jié)果表明，與目前主流跟蹤算法比較，在復(fù)雜條件下該算法具有更高的跟蹤精度及更好的穩(wěn)定性。
　　(3)提出了基于增量深度學(xué)習(xí)的目標(biāo)跟蹤算法。粒子濾波算法分布粒子集，通過無監(jiān)督特征學(xué)習(xí)得到的深度去噪自編碼器提取粒子區(qū)域特征，表達(dá)圖像的本質(zhì)信息。增量特征學(xué)習(xí)優(yōu)化粒子區(qū)域特征集以適應(yīng)目標(biāo)的各種變化并實現(xiàn)粒子區(qū)域更有效的表達(dá)。增量特征學(xué)習(xí)由添加特征和

5、整合特征兩部分構(gòu)成，添加特征引入新的特征信息，整合相似特征獲得精簡的特征表示。線性支持向量機對優(yōu)化后的特征集進行分類，得到粒子置信度，同時微調(diào)深度網(wǎng)絡(luò)，將粒子置信度最高的作為跟蹤結(jié)果。引入粒子集規(guī)模自適應(yīng)調(diào)整的雙重采樣過程，解決粒子衰減和貧化問題。實驗結(jié)果表明，與目前主流跟蹤算法比較，在復(fù)雜條件下該算法具有更高的跟蹤精度以及更好的穩(wěn)定性。
　　(4)針對復(fù)雜條件下基于多示例學(xué)習(xí)的跟蹤算法存在的問題，提出了基于多示例深度學(xué)習(xí)的目標(biāo)跟

6、蹤算法。針對原始多示例跟蹤算法中采用Haar-like特征不能有效表達(dá)圖像信息以及受到外界條件的影響很容易失效的缺點，利用深度去噪自編碼器提取示例圖像的有效特征，實現(xiàn)圖像信息的本質(zhì)表達(dá)，提高對環(huán)境變化的適應(yīng)能力。針對原始多示例學(xué)習(xí)跟蹤算法中選取弱特征向量不能更換，難以反映目標(biāo)自身和外界條件變化的缺點，在選擇弱分類器過程中，實時替換判別力最弱的特征以適應(yīng)目標(biāo)外觀的變化。針對原始多示例跟蹤算法中運動模型僅假設(shè)幀間物體運動不會超過某個范圍，不