论文部分内容阅读
基于视觉的运动目标跟踪在智能视频监控、三维重构、机器人技术等领域具有广泛地应用。由于视频图像数据的复杂性、多样性以及运动目标本身变化的不确定性,设计实时、鲁棒、高精度的视频目标跟踪算法仍然是该研究领域的难点之一。本文以生成模型和判别模型理论为指导,从目标跟踪的表观模型设计、搜索策略方法、相似性度量、模板更新策略四方面进行了深入的研究,结合当前国际前沿动态和实际应用需求,针对视频目标跟踪中的难点问题提出了有效的新方法。本论文的主要研究工作如下:一、提出了一种非单调记忆梯度追踪(Memory Gradient Pursuit,MGP)算法处理压缩感知中稀疏信号重建问题。该算法由正则化正交匹配策略实现原子集的快速有效选择,非单调线性搜索准则确定步长,记忆梯度算法计算更新方向。提出的算法是一种新的方向追踪优化算法,充分利用记忆梯度算法在Armijo线搜索下全局收敛性快速稳定的优点避免收敛到局部最优解,得到稀疏系数解。仿真实验结果表明,所提算法在精确重构信号的同时,减少了重构时间。在满足一定条件时可以改善信号重构效果。二、提出一种基于记忆梯度追踪的优化稀疏表示目标跟踪算法。给出一种适于稀疏跟踪的目标外观模型和L1最小化稀疏问题快速求解方法,采用整合后的分块协方差特征进行外观表示,充分利用目标块之间的信息,给出新的外观模型,有助于处理目标遮挡及背景杂波干扰问题。引入计算成本更低的自适应比例无迹变化方法近似协方差特征,将流形空间特征相似度量转为欧氏空间度量。最后利用快速记忆梯度追踪方法重构信号快速稳定的优点求解L1最小化稀疏问题,减少了L1目标跟踪算法稀疏系数的重建时间。引入新的多样模板更新方法能捕捉目标表观的变化,防止跟踪模型匹配失败引起的漂移问题。仿真实验结果验证了,在多种复杂背景下提出的算法跟踪精度更佳,对目标小范围的尺度变化具有不变性。三、提出了一种新的基于JBLD(Jensen-Bregman LogDet Divergence)度量的记忆梯度协方差跟踪算法。该算法采用JBLD法度量协方差特征的相似性测度,该度量的计算复杂度低,减少了黎曼流形空间上高维正定对称协方差矩阵相似性度量的计算负担,在基于梯度优化算法的框架下有助于梯度的快速计算。此外,利用记忆梯度方法优化协方差目标模板与候选目标的距离函数,可以快速精确搜索最佳匹配目标,克服了最速下降算法中穷尽局部搜索的低效问题。实验利用多场景视频标准测试库及新的评价指标,验证了算法的有效性。四、提出了一种基于在线判别分布域特征选择的实时视觉目标跟踪算法。该算法用分布域描述算子的层特征表征目标,提高了目标特征描述子的表征能力,用软直方图方法近似得到分布域特征减少了特征计算时间。基于示例级样本的在线判别特征选择算法选择最佳的分布域层特征进一步提高了算法的区分能力和实时性,能有效减少漂移现象的发生。实验表明该算法能够有效实现复杂场景下的目标跟踪。