论文部分内容阅读
目标跟踪是计算机视觉领域最热门的研究方向,在军事和民用领域中都有广泛的应用前景。因为实际应用场景的复杂性,目标跟踪会受到姿态多样性、光照变化、遮挡、运动模糊等因素的影响,因此设计一个精度高、鲁棒性强的跟踪系统是一件很有挑战性的工作。基于判别法(Discriminative Method)的研究方法将跟踪问题看作一类二分类问题,通过训练分类器找到一个决策边界将目标从背景中分离出来。由于考虑了背景和目标的信息这种方法能够更加准确的跟踪目标,但存在在线训练量过大和分类器易出现的误差累计和漂移等问题。本文从基于判别的研究方法出发,在经典算法支持向量机跟踪(Support Vector Tracking, SVT)的基础上,提出了两种改进的算法来解决上述存在的问题,本文完成的主要工作和贡献有:①在SVT的基本框架下,本文提出了一种改进的haar-like特征提取方法,采用已成功应用于人脸识别领域的haar-like特征作为目标特征,并通过随机投影算法将高维特征向量投影到低维空间,这个过程并不丢失目标特征的有效信息,却可以大幅度降低了分类器训练的计算复杂度。②在SVT的基本框架下,本文提出了一种基于主元分析的方向梯度直方图(Histogram of Oriented Gradient based on Principal Component Analysis,简称PCA-HOG)的特征提取方法,采用方向梯度直方图(Histogram of Oriented Gradient,HOG)作为目标特征,并通过统计学经典算法PCA对HOG特征进行有效降维,在不丢失目标跟踪有效信息的前提下降低了分类器在线训练的复杂度。③本文采用在线学习的方法来设计分类器,为了解决在线学习分类器易出现的误差累计和漂移问题,本文重新设计了分类器分值函数:在分值函数中增加了候选目标与上一帧跟踪目标的相似度信息,并定义了一个分类因子来表征分类器输出信息所占的权重,使得候选目标的最终选择既考虑了分类信息,又结合了候选目标与目标的相似度信息。这种方法将生成法(Generative Methods)和判别法(Discriminative Methods)的思想有效地结合,实验证明可以有效抑制分类器的漂移问题。④通过将分类器并行组合,本文将基于PCA-HOG的SVM跟踪算法从单目标跟踪场景扩展到多目标跟踪场景,实验证明了本文算法在对单目标跟踪和多目标跟踪都有较好的性能。本文算法是基于SVT(Support Vector Tracking)框架所做的改进和创新,通过实验与SVT算法进行对比,证明了本文提出的两种算法具有更好的鲁棒性和准确性。