在線半監(jiān)督紅外跟蹤算法研究.pdf

1、本研究來源于某**紅外跟蹤平臺(tái)的預(yù)研項(xiàng)目。在線紅外跟蹤是一個(gè)極具挑戰(zhàn)性的問題，在精確制導(dǎo)、飛行控制、無(wú)人機(jī)偵察、安防智能視頻監(jiān)控、基于視頻的人機(jī)交互以及智能視覺導(dǎo)航中都有著廣泛的應(yīng)用。由于紅外圖像相對(duì)于可見光圖像大多對(duì)比度較低，因此現(xiàn)有的大量視覺跟蹤方法在實(shí)際應(yīng)用時(shí)難以對(duì)紅外圖像中目標(biāo)進(jìn)行快速準(zhǔn)確的檢測(cè)和魯棒的跟蹤。本文采用了近些年興起的基于檢測(cè)的跟蹤系統(tǒng)作為基本的紅外跟蹤模型。針對(duì)該跟蹤模型中的采樣標(biāo)記環(huán)節(jié)，專注于研究通過減少標(biāo)記信息

2、的錯(cuò)誤來減弱在紅外跟蹤過程中出現(xiàn)的漂移問題，從而實(shí)現(xiàn)魯棒的在線紅外跟蹤。
　　本研究主要內(nèi)容包括：⑴基于充分性降維和半監(jiān)督學(xué)習(xí)，提出了充分性半監(jiān)督特征提取理論，并設(shè)計(jì)了充分性半監(jiān)督紅外特征提取算法。前一種算法提取的是線性特征，后一種算法提取的是非線性特征。相比于其他特征提取算法，本文提出的這兩種算法能夠同時(shí)利用部分置信度高的標(biāo)記信息和大量未標(biāo)記信息，且以最小化樣本信息損失為目標(biāo)來提取樣本特征，因此提取的特征具有更強(qiáng)的區(qū)別性。文中大

3、量紅外圖像的實(shí)驗(yàn)結(jié)果也證實(shí)了這兩種充分性半監(jiān)督特征提取算法的特征提取能力。⑵研究了基于半監(jiān)督粗糙公共向量（SRCV）的在線紅外跟蹤算法。該算法繼承了半監(jiān)督學(xué)習(xí)能夠部分標(biāo)記樣本的特性和判別公共向量（DCV）算法對(duì)于小樣本問題的魯棒性。在紅外跟蹤的初始階段，由于樣本匱乏，每個(gè)樣本（圖像塊）維度很高，這是典型的小樣本問題。經(jīng)研究發(fā)現(xiàn)，本文提出的SRCV算法在樣本較少時(shí)仍能夠?qū)W習(xí)紅外目標(biāo)的低維特征。同時(shí)為了適應(yīng)在線紅外跟蹤，本文在SRCV算法的

4、基礎(chǔ)上提出了增量式的SRCV在線特征提取算法（ISRCV）。ISRCV算法利用隨機(jī)投影樹（RPTree）來近似紅外跟蹤過程中增量式采集樣本的內(nèi)部流形結(jié)構(gòu)，同時(shí)借助于RPTree構(gòu)造了用于在線學(xué)習(xí)的目標(biāo)函數(shù)，并提出了迭代更新準(zhǔn)則求解算法。實(shí)驗(yàn)結(jié)果及分析表明，ISRCV提取的在線特征能夠有效保存紅外目標(biāo)的主要特征，在實(shí)驗(yàn)中取得了與現(xiàn)有算法相近的跟蹤效果。⑶設(shè)計(jì)了基于邊緣信息的半監(jiān)督紅外特征表達(dá)算法（增量半監(jiān)督推廣的公共向量分析算法：ISSG

5、CVA）。在利用基于檢測(cè)的跟蹤系統(tǒng)框架設(shè)計(jì)在線紅外目標(biāo)跟蹤的過程中，即使是采樣少量的標(biāo)記樣本也可能會(huì)存在標(biāo)記誤差。本文提出的ISSGCVA算法不需要指定每個(gè)樣本的具體標(biāo)記信息，而只用給定相似和不相似樣本對(duì)，就可以進(jìn)行特征的學(xué)習(xí)，從而能夠進(jìn)一步減小標(biāo)記信息對(duì)于紅外跟蹤漂移的影響。同時(shí)，ISSGCVA算法放寬了投影向量嚴(yán)格位于相似離散矩陣的零空間的約束，通過這種方式，本文的ISSGCVA算法既能夠處理紅外跟蹤初期的小樣本情形，又能夠處理較長(zhǎng)

6、時(shí)間跟蹤后的大樣本情形。此外，本文還詳細(xì)推導(dǎo)了一種有效的迭代算法來快速求解ISSGCVA算法的目標(biāo)函數(shù)。⑷針對(duì)基于檢測(cè)的跟蹤系統(tǒng)框架中的分類器模塊進(jìn)行了研究，探索了一種改進(jìn)的半監(jiān)督增量可變流形嵌入（ISemFME）分類算法。ISemFME算法繼承了半監(jiān)督學(xué)習(xí)能夠同時(shí)利用標(biāo)記和未標(biāo)記樣本進(jìn)行分類模型的學(xué)習(xí)，而且能夠在線的更新分類算法的參數(shù)，以適應(yīng)紅外跟蹤過程中目標(biāo)外觀的不斷變化。同時(shí)，考慮到目標(biāo)外形的多樣性，ISemFME算法引入了回歸誤

7、差函數(shù)來構(gòu)造目標(biāo)函數(shù)，并且證明了該目標(biāo)函數(shù)是凸函數(shù)，可以解析求解。為了適應(yīng)在線紅外跟蹤，本文還提出了緩沖策略（buffering strategy）來降低ISemFME算法的時(shí)間復(fù)雜度和空間復(fù)雜度。在VOT-TIR2015紅外數(shù)據(jù)庫(kù)上，基于ISemFME算法跟蹤系統(tǒng)表現(xiàn)出了較低的時(shí)間復(fù)雜度和很高的跟蹤準(zhǔn)確率。⑸研究了紅外跟蹤過程中的兩個(gè)關(guān)鍵問題：如何提取魯棒的紅外目標(biāo)特征以及怎樣在觀測(cè)噪聲下構(gòu)造分類函數(shù)，提出了基于半監(jiān)督學(xué)習(xí)的在線紅外跟