论文部分内容阅读
图像信息的描述方式是视觉跟踪算法中至关重要的一部分,不同的图像特征可以直接影响算法的性能。其中,手工特征以其特征形式直观、易于理解以及对实验平台要求较低的优点,在基于特征匹配的视觉跟踪中取得了非常优异的效果。但如何提取具有强分辨性与鲁棒性的图像特征,以及如何在视觉跟踪过程中实现多特征的自适应融合,是目前仍需解决的问题。为提升视觉跟踪算法的性能,本文从图像特征提取与多特征自适应融合两个方面开展研究:(1)提出了一种基于颜色属性分层结构直方图的视觉跟踪算法。首先,针对根据像素值将图像划分为不同分层提取的图像特征对光照变化敏感的缺点,提出了一种结合颜色属性(Color Name,CN)特征的分层结构直方图;之后,设计实验验证该特征的有效性;最后,将其应用于视觉跟踪算法,验证算法性能。实验结果表明,基于颜色属性分层结构直方图的视觉跟踪算法可有效提高定位目标的成功率。(2)提出了一种基于鲁棒主成分分析法的视觉跟踪算法。首先,通过实验分析了原始CN特征和基于主成分分析法(Principal Component Analysis,PCA)的CN特征之间的特点;之后,基于鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)处理CN特征,验证了基于RPCA的CN特征具有更强的分辨性;最后,在两种不同的视觉跟踪算法中提取目标的CN特征,并使用RPCA进行降维以验证其对视觉跟踪算法性能的影响。实验结果表明,使用该方法处理后的CN特征可更好的表征目标,提升算法性能。(3)提出了一种基于颜色属性直方图的多特征自适应融合视觉跟踪算法。首先,针对传统颜色直方图对光照变化敏感等问题,结合对光照变化鲁棒的CN特征,提出一种新的颜色属性直方图;之后,在视觉跟踪过程中采用一种多特征自适应融合的方法,融合该特征与方向梯度直方图(Histogram of Oriented Gradient,HOG)以验证其对视觉跟踪算法性能的影响。实验结果表明,在视觉跟踪算法中该方法既保留了传统颜色直方图对于目标形变鲁棒的优势,又增强了目标特征在光照变化中的分辨性。(4)提出了一种基于博弈论的多特征自适应融合视觉跟踪方法。首先,在经典视觉跟踪(Efficient Convolution Operators for Tracking,ECO)算法中,提取目标的CN和HOG特征;之后,使两种特征在跟踪过程中不断博弈,充分发挥两者的优势,寻求两者的纳什均衡点,达到最佳的平衡状态,实现多特征的自适应融合。实验结果表明,与传统采用固定系数对多特征进行线性加权的算法相比,该方法能够很好地适应目标在复杂背景中的运动,可有效提升算法性能。