基于判別學(xué)習(xí)的單目標(biāo)跟蹤系統(tǒng)研究與實(shí)現(xiàn).pdf

1、目標(biāo)追蹤是計算機(jī)視覺、機(jī)器智能的基礎(chǔ)研究課題之一。該技術(shù)能夠?yàn)橛嬎銠C(jī)提供目標(biāo)在圖像序列中的大小和位置，從而進(jìn)行下一步的分析和處理。在現(xiàn)實(shí)世界中，目標(biāo)追蹤在安全監(jiān)控、人機(jī)交互、自動駕駛和控制、醫(yī)學(xué)成像和軍事領(lǐng)域等都有著重要的應(yīng)用價值。但由于在實(shí)際應(yīng)用場景中，存在遮擋、旋轉(zhuǎn)、背景聚類、快速移動和圖像模糊等復(fù)雜情景，致使追蹤算法性能下降，無法達(dá)到令人滿意的效果。
　　本文首先分析當(dāng)今目標(biāo)追蹤算法的主要框架——檢測跟蹤（Tracking

2、by detection），從分類方法的角度出發(fā)，進(jìn)行了判別字典學(xué)習(xí)機(jī)制的研究。通過利用1,∞范數(shù)，能夠自適應(yīng)地將類相關(guān)性信息加入到字典原子之間，達(dá)到聯(lián)合稀疏的效果，實(shí)現(xiàn)了類相關(guān)性引導(dǎo)判別字典學(xué)習(xí)的方法。該方法結(jié)合全局字典學(xué)習(xí)和分類字典學(xué)習(xí)的優(yōu)點(diǎn)，在圖像分類上取得了較好的測試效果。在此基礎(chǔ)之上，又進(jìn)行了相關(guān)視覺追蹤方法的研究。該技術(shù)也使用Huber損失函數(shù)代替2范數(shù)以減少重建項(xiàng)殘差增加速度，添加了更加容易求解的Fisher判別項(xiàng)，從而提

3、出了在線判別字典學(xué)習(xí)的追蹤方法。至此，本文實(shí)現(xiàn)了第一個目標(biāo)追蹤算法，并與基于稀疏表示的追蹤算法等相關(guān)方法比較，在視頻庫上取得了較好的效果。
　　上述的目標(biāo)追蹤技術(shù)雖然能夠在特定場景上取得較好的測試效果，但無法滿足實(shí)時追蹤的要求。而基于協(xié)同濾波器的追蹤方法，能夠?qū)崿F(xiàn)高速追蹤，故本文又進(jìn)行相關(guān)技術(shù)的研究與實(shí)現(xiàn)。文中使用邏輯回歸的方法設(shè)計濾波器，并實(shí)現(xiàn)了在非線性情況下的處理方法。同時創(chuàng)造性地利用Laplace分布生成判別標(biāo)簽，采用特征融