基于稀疏表示的視覺目標跟蹤方法研究.pdf

1、視頻序列中的目標跟蹤問題是計算機視覺領域的研究熱點，它融合了機器學習與模式識別等領域的研究成果，在視頻監(jiān)控、智能交通以及現(xiàn)代軍事中得到了廣泛的應用。針對目標跟蹤問題，國內外的研究者們開展了大量的研究，并提出了許多行之有效的跟蹤算法，但是如何在復雜多變的自然場景中對表觀變化的目標進行魯棒的跟蹤仍然是一個極具挑戰(zhàn)性的問題。常見的跟蹤難點包括:場景光流的變化、目標尺度的變化、局部遮擋、目標的非剛性形變以及位姿的變化等。這些難點導致目標在視頻中

2、的表觀呈現(xiàn)出非線性的變化，從而使跟蹤問題變得更加復雜。本文針對上述難點問題，對目標跟蹤問題進行了深入的研究，旨在提高目標跟蹤算法的準確性和魯棒性。本文的主要貢獻如下:
　　(1)提出了一種基于整體稀疏表示粒子預判的兩步目標跟蹤算法。針對大多數(shù)相關算法需要對全部采樣粒子進行觀測建模的問題，該算法在第一步采用整體模板的稀疏表示來建模粒子預判問題，并通過粒子預判去除偏離目標真實狀態(tài)較遠的粒子，能夠有效減少樣本的數(shù)目，提高算法效率。為了降

3、低跟蹤中發(fā)生漂移的可能性，該算法在第二步將目標的初始狀態(tài)和當前狀態(tài)同時作為觀測參考，提高了跟蹤結果的準確性。多個測試視頻的跟蹤實驗結果表明了該算法的有效性。
　　(2)提出了一種基于局部判別稀疏表示的目標跟蹤算法。該算法針對現(xiàn)有相關算法對目標與背景區(qū)分能力不足的問題，增加了局部背景圖像作為負樣本來訓練字典，兼顧了字典的表達能力和判別能力;針對現(xiàn)有局部稀疏模型缺少目標全局信息的問題，將目標建模為指定局部圖像在字典空間上的稀疏編碼直方

4、圖，這些局部圖像構成了稀疏字典且具有一定的結構性，因此目標模型能夠有效地聯(lián)合目標的局部特征和全局結構特征。為了提高觀測模型的準確性，設計了基于目標結構信息的相似性系數(shù)來衡量目標與樣本間的相似性，并對目標模型進行主動的更新以適應跟蹤中的表觀變化。實驗結果表明該算法能夠處理大部分的跟蹤難點問題，并且具有較高的跟蹤精度。
　　(3)提出了一種基于加權結構稀疏表示的目標跟蹤算法。該算法采用結構稀疏表示對目標建模，能夠充分利用目標局部圖像間

5、的結構信息，有效地避免了模型的退化;同時在結構稀疏字典中添加背景信息，能夠增強模型對背景的判別能力;此外根據(jù)局部圖像在表達目標時所起的作用分配重要性權重，并將目標建模為加權結構稀疏模型，極大地提高了模型的魯棒性;為了減輕局部遮擋對跟蹤的影響，在設計觀測模型時增加了遮擋檢測模塊。在多個測試視頻上的實驗結果表明加權結構稀疏模型對目標表觀變化具有很好的適應性，該算法在跟蹤中表現(xiàn)出良好的魯棒性和準確性。
　　(4)提出了一種基于局部聯(lián)合稀

6、疏表示的多任務跟蹤算法。該算法針對相關算法對樣本結構信息利用不足的問題，將樣本中局部圖像的稀疏編碼視為獨立的任務，并在多任務學習框架下對所有樣本的局部圖像進行聯(lián)合稀疏編碼。這種聯(lián)合稀疏編碼能夠最大程度地挖掘樣本內部以及樣本之間的結構關系，在增加模型表達能力的同時提高算法的工作效率。此外，還設計了聯(lián)合相似性度量函數(shù)，從整體和局部兩個方面衡量目標和樣本之間的相似程度，提高了觀測模型的可靠性。實驗表明該算法在測試視頻上具有更加準確的跟蹤結果。