視頻中運(yùn)動目標(biāo)跟蹤的關(guān)鍵算法研究.pdf

1、視頻目標(biāo)跟蹤技術(shù)在社會生活中隨處可見其身影，視頻目標(biāo)跟蹤技術(shù)作為人類視覺的延伸，在視頻監(jiān)控、人機(jī)交互、機(jī)器人導(dǎo)航以及自然災(zāi)害分析等方面都有廣泛的應(yīng)用。視頻目標(biāo)跟蹤仍舊存在許多問題，如光照變化、遮擋、背景抖動等等。盡管已經(jīng)有許多有效的目標(biāo)跟蹤算法，但都沒有徹底解決這些問題?；卺槍σ曨l跟蹤中一些關(guān)鍵算法的研究，主要涉及目標(biāo)表示、特征選擇、特征融合等技術(shù)，本文提出了新的視頻目標(biāo)跟蹤改進(jìn)算法以提高在處理復(fù)雜場景時的精度和性能。論文的主要研究工

2、作與創(chuàng)新如下：
　　首先，提出了一種基于聯(lián)合校正似然的背景加權(quán)直方圖（joint CB-LBWH）的均值漂移跟蹤算法。該算法同時利用特征顯著性和特征置信度作為加權(quán)判據(jù)來構(gòu)建直方圖，從而能夠有效降低目標(biāo)表示中的背景干擾。本文推導(dǎo)出基于似然的背景模型（LB），并進(jìn)而提出一種基于似然的背景加權(quán)直方圖（LBWH）方案，LBWH考慮了特征置信度；而校正背景加權(quán)直方圖（CBWH）考慮了背景特征的顯著性。這樣將 CBWH和LBWH結(jié)合，join

3、t CB-LBWH可以有效提高目標(biāo)直方圖模型的判別力，從而提高目標(biāo)跟蹤的精度和性能。對比實驗結(jié)果表明：在背景顯著變化和背景相似等復(fù)雜場景存在的情形，由joint CB-LBWH跟蹤器所改進(jìn)的目標(biāo)直方圖模型具有較高的判別力、較好的魯棒性和性能。
　　其次，提出了一種基于前景顯著性的背景加權(quán)直方圖（FSBWH）的均值漂移跟蹤算法。本文推導(dǎo)出一個基于前景顯著性的背景模型（FSB）。進(jìn)一步用FSB提出一種新的基于前景顯著性的背景加權(quán)直方圖

4、（FSBWH）方案來融合背景和前景的顯著特征并用于目標(biāo)表示和跟蹤。該方案通過同時突出前景顯著特征和抑制背景特征干擾提高了目標(biāo)直方圖模型的判別力,從而提高了跟蹤器的精度和性能。對比實驗結(jié)果表明在背景顯著變化和遮擋等場景下，提出的FSBWH跟蹤器可以提高目標(biāo)直方圖模型的判別力及跟蹤器的效率和魯棒性。
　　第三，提出了一種結(jié)合特征選擇和特征融合的目標(biāo)表觀模型生成方式以及基于協(xié)方差和自適應(yīng)特征選擇的粒子濾波（CVPF-FS）跟蹤算法。首先

5、擴(kuò)展方差比被用來選擇判別力強(qiáng)的特征，接著利用區(qū)域協(xié)方差描述符進(jìn)行目標(biāo)表觀建模。由于區(qū)域協(xié)方差描述符是一個強(qiáng)大的特征融合方法，使得算法的目標(biāo)表觀模型更具判別力。最后在線特征選擇和特征融合被集成進(jìn)粒子濾波框架中進(jìn)行魯棒跟蹤。對比實驗結(jié)果表明：CVPF-FS算法較準(zhǔn)確地建模了目標(biāo)的表觀，在遮擋、光照和尺度變化等復(fù)雜場景下是魯棒的，跟蹤效果不錯。
　　基于視頻的運(yùn)動目標(biāo)跟蹤研究是計算機(jī)視覺領(lǐng)域中的挑戰(zhàn)性課題，本文的研究工作雖然取得了一定的