论文部分内容阅读
目标跟踪在计算机视觉领域占有非常重要的地位,主要是为了跟踪目标在视频中的各种变化。本文的重点工作在于构建目标外观模型所采用的视觉特征,并在此基础上,从生成和判别两个方面分别提出了相应的目标跟踪方法,即基于梯度纹理特征的稀疏跟踪方法和基于颜色统计特征的判别跟踪方法。最后,利用Matlab集成开发环境设计并实现了基于特征提取的视觉跟踪系统。本文首先针对灰度特征无法处理目标的旋转、姿态变化等问题,在粒子滤波框架下,提出了一种简单有效的基于平均曲率和高斯曲率的梯度纹理特征的稀疏跟踪方法。梯度纹理特征具有旋转不变性,能很好地解决图像的旋转以及光照变化等问题。在粒子滤波框架下,提取目标模板和候选粒子的梯度纹理特征,用字典模板对每个候选粒子进行稀疏表示,求解稀疏系数并实现重构,将具有最小重构误差的粒子作为跟踪结果。同时采用增量子空间学习的方法对模板进行更新,有效抑制跟踪漂移并能处理目标遮挡问题。梯度纹理特征主要是从细节上表示目标的特征,但在处理目标快速运动、运动模糊以及背景杂乱时,效果不佳,而且相比较于判别算法,生成跟踪算法跟踪速度较慢,在这一基础上,本文又提出了一个简单而鲁棒的基于颜色统计特征的判别跟踪方法。颜色统计特征具有一定的光照不变性,同时也维持高判别力。本文在跟踪过程中建立了一个仿射运动模型和优化参数来解决尺寸变化以及角度变化等问题。此外,为了进一步提高跟踪速度,本文采用经过主成分分析(Principal Component Analysis, PCA)降维后的颜色统计特征来描述目标外观,利用颜色统计特征训练贝叶斯分类器,并在线更新分类器。与现有跟踪器的对比实验表明,本文的算法在各种挑战因素下有明显优势。在此基础上,本文通过Matlab集成开发环境设计并实现基于特征提取的视觉跟踪系统,以软件的形式实现对视频的跟踪,并能对跟踪结果进行简单地分析。