基于多尺度多特征模板集和自適應(yīng)動(dòng)態(tài)模型的物體跟蹤算法.pdf

1、物體跟蹤是計(jì)算機(jī)視覺領(lǐng)域的重要研究方向之一，其研究成果已被廣泛應(yīng)用于視頻監(jiān)控、人機(jī)交互和視頻壓縮編碼等多個(gè)研究領(lǐng)域，具有重大研究?jī)r(jià)值。但由于物體跟蹤算法在真實(shí)的跟蹤場(chǎng)景中不可避免地會(huì)遇到環(huán)境光照變化、物體尺度變化、物體被遮擋和物體旋轉(zhuǎn)等多種干擾因素，較難適應(yīng)廣泛的應(yīng)用，如何提高跟蹤算法的跟蹤準(zhǔn)確率和魯棒性仍是該領(lǐng)域的難題之一。
　　本文重點(diǎn)對(duì)跟蹤領(lǐng)域中的物體表征模型和物體運(yùn)動(dòng)預(yù)估兩方面進(jìn)行了研究，分別提出了基于多尺度多特征模板集的

2、跟蹤算法和基于自適應(yīng)動(dòng)態(tài)模型的跟蹤算法。
　　在物體表征模型方面，本文首先提出了基于多尺度多特征模板集的跟蹤算法。該算法使用一組三層四叉樹結(jié)構(gòu)的模板集來(lái)描述待跟蹤物體，以綜合利用物體的高層、中間層和底層的全部視覺信息。模板集中每一個(gè)模板均表示物體的一部分，對(duì)于每個(gè)模板所表示的區(qū)域，本算法均會(huì)對(duì)其提取多種視覺特征，從而得到物體的紋理信息、顏色信息、強(qiáng)度信息和邊緣信息等視覺描述。本文還提出了一種基于信息映射原理的生成式學(xué)習(xí)算法，通過(guò)最

3、大化目標(biāo)物體的潛在概率分布與跟蹤背景的概率分布的差異，以確定模板集中每個(gè)模板的模板權(quán)值以及其中不同特征的特征權(quán)值。實(shí)驗(yàn)結(jié)果表明，本文提出的多尺度多特征模板集表征模型在用于跟蹤算法后，可以提高算法的跟蹤準(zhǔn)確率，同時(shí)在嘈雜背景、物體旋轉(zhuǎn)和運(yùn)動(dòng)模糊等干擾因素下具有較高的魯棒性。本算法的跟蹤準(zhǔn)確率在現(xiàn)有最全面的跟蹤數(shù)據(jù)集上取得了最好值，比CVPR2012中提出的多種跟蹤算法有0.7至7.2個(gè)百分點(diǎn)的準(zhǔn)確率提升。
　　在物體運(yùn)動(dòng)預(yù)估方面，本

4、文提出了基于自適應(yīng)動(dòng)態(tài)模型的跟蹤算法。為提高跟蹤算法運(yùn)動(dòng)預(yù)估環(huán)節(jié)的準(zhǔn)確率和魯棒性，本算法在一階粒子濾波模型的基礎(chǔ)上，引入了一階動(dòng)態(tài)預(yù)估模型的自適應(yīng)退化算法，退化后的預(yù)估模型采用隨機(jī)漫步模型。算法會(huì)根據(jù)一階動(dòng)態(tài)模型的預(yù)測(cè)準(zhǔn)確率，自適應(yīng)的確定模型的退化程度，以及兩種預(yù)估模型的相關(guān)參數(shù)。其中模型的退化程度由一階動(dòng)態(tài)模型和隨機(jī)漫步模型中各包含多少粒子來(lái)體現(xiàn)，而自適應(yīng)改變的參數(shù)主要是兩種系統(tǒng)中演化噪聲的方差值。實(shí)驗(yàn)結(jié)果表明，本文提出的自適應(yīng)動(dòng)態(tài)模