基于稀疏表示和時空上下文的目標跟蹤方法研究.pdf

1、在計算機視覺的研究范疇中，視頻運動目標跟蹤技術是視頻內容分析的關鍵技術，受到廣泛關注。在運動分析、模式識別、視頻監(jiān)控、人機交互和交通管理等視覺任務中扮演著重要的角色，并能為更高級的視頻處理提供基礎信息。在科技領域中，視頻目標跟蹤技術得到了普遍的應用。
　　貝葉斯方法在系統(tǒng)狀態(tài)估計中有很好的應用效果，因此，很多目標跟蹤算法都是以貝葉斯跟蹤框架為基礎，構造觀測模型和運動模型來完成跟蹤任務。
　　利用自適應外觀模型能夠提高跟蹤算法

2、的穩(wěn)定性和準確性。按照構造方式的不同，外觀模型可分為生成模型和判別模型。在貝葉斯跟蹤框架中，結合判別模型和生成模型的特點完成跟蹤任務，提出一種基于超像素和局部稀疏表示的目標跟蹤方法。對訓練幀圖像進行超像素分割，并通過聚類方法構造基于超像素的判別型外觀模型；在第一幀圖像中，計算目標模板的稀疏性直方圖，構造生成型外觀模型。在跟蹤階段，計算基于超像素的置信圖，采樣候選樣本，并計算候選樣本的置信值；從樣本采集局部圖塊，計算每個樣本所有圖塊的稀疏

3、表示系數(shù)，得到樣本的稀疏性直方圖，并計算樣本直方圖與模板直方圖的相似度。根據(jù)置信值和相似度，計算觀測模型，結合觀測模型和運動模型，計算候選樣本后驗估計值，確定目標跟蹤結果。為提高外觀模型的自適應性，對兩種外觀模型都保持在線獨立更新。利用判別型外觀模型可以將目標對象從背景中區(qū)分開來，而生成型外觀模型包含目標空間信息，可以用來處理跟蹤過程中的遮擋問題。仿真實驗表明，目標發(fā)生外觀變化時，算法能得到較好的跟蹤結果。
　　利用時空上下文信息

4、進行跟蹤，擴展了跟蹤任務中可利用的資源。當目標由于遮擋、姿態(tài)變化等原因引起外觀產(chǎn)生劇烈變化時，仍然可以利用時空上下文信息對目標定位。提出一種改進的時空上下文跟蹤算法，首先利用反卷積方法對目標及其周圍局部背景區(qū)域學習空間上下文模型，然后將獲得的空間上下文模型用于在新的一幀中更新時空上下文模型。在學習時空上下文的過程中引入視覺顯著性特征，以顯著性特征作為目標及局部上下文區(qū)域的特征描述，降低局部上下文區(qū)域的整體圖像復雜度，提高目標檢測的準確性