基于檢測反饋的實時視頻目標跟蹤算法的研究.pdf

1、隨著社會的進步和發(fā)展，科技化步入了日常生活之中，特別是數(shù)字化的視覺技術(shù)在日常生活中越來越發(fā)揮重要作用，其中圖像及目標的運動在視覺技術(shù)中有著舉足輕重的地位。圖像分析中的運動目標跟蹤是近年來的研究熱點之一，因其在人機交互、交通監(jiān)視、社區(qū)安全等商業(yè)民用包括軍事領(lǐng)域都有著較為廣泛的應(yīng)用前景和發(fā)展趨勢?；跈z測反饋的目標跟蹤算法也就是判別式跟蹤是目前跟蹤算法中的主流方向，傳統(tǒng)的生成式模型沒有考慮背景因素的影響容易受環(huán)境因素制約，而判別式方法在目標

2、和背景區(qū)域提取各自具有區(qū)分性的特征，訓(xùn)練在線分類器將跟蹤問題視作一個二分類問題，為研究目標跟蹤提供了新的方向。
　　本文從兩個方面入手目標跟蹤的研究，第一部分利用目前較為流行的子空間學(xué)習(xí)的目標跟蹤方法，由于圖像目標本身維數(shù)較大且包含部分無用信息，如何提出具有區(qū)分性的特征信息是判別式目標跟蹤的關(guān)鍵性因素，而子空間跟蹤利用目標的前景信息和背景信息構(gòu)建過完備字典并利用其獲得前景和背景的稀疏表達作為最終的跟蹤特征，取得了魯棒性的效果。第二

3、部分研究了基于檢測反饋的實際應(yīng)用，拓展目標跟蹤的對象，該部分主要研究了手部的跟蹤，由于手是非剛性的，表觀變化較大。因此如何在復(fù)雜環(huán)境下實時的跟蹤手部運動是研究的重點和主要方向。
　　本文完成的研究內(nèi)容和創(chuàng)新點如下:
　　1.提出基于分塊和稀疏表達的目標跟蹤算法，根據(jù)目標在跟蹤過程中容易出現(xiàn)的遮擋問題。該算法從兩個方面構(gòu)建整體模型，第一部分利用目標的全局信息構(gòu)建判別式跟蹤，該部分采用了整體前景和離目標區(qū)域較遠的部分區(qū)域作為背景

4、構(gòu)建整體字典，并利用前景和背景在此字典上獲得的稀疏表達系數(shù)作為訓(xùn)練數(shù)據(jù)，訓(xùn)練線性支持向量機(SVM)分類器。在新的一幀中基于粒子濾波框架下構(gòu)建各個粒子的分類器得分，得分最高的候選粒子為最相似的目標跟蹤區(qū)域。第二部分將目標區(qū)域和背景區(qū)域分塊，獲得局部信息，并利用各塊計算重構(gòu)誤差，并根據(jù)重構(gòu)誤差獲得各塊對整體模型的貢獻分配不同的權(quán)重。最后設(shè)計整體模型的相似度度量和更新策略，通過在公開的跟蹤測試集上與主流的跟蹤方法相比較，本文提出的方法具有較