论文部分内容阅读
目标跟踪是计算机视觉领域的一个核心问题,在视频监控、机器人视觉导航、人机交互、以及医疗诊断等许多方面有着广泛的应用前景。在机载光电跟踪系统中,目标跟踪是一个关键技术,直接决定了跟踪系统的性能。人们已经提出了许多有效的目标跟踪算法,但是这些算法都只针对特定背景下的短暂跟踪,当出现光照变化、目标姿态的改变、非线性形变以及背景中的噪声和干扰等情况时,很容易跟踪失败。因此设计鲁棒的目标跟踪算法仍然是一项具有挑战性的任务。
本文从目标跟踪算法的两个主要方面:滤波器设计和目标外观模型设计,开展了深入的研究,并针对视频目标跟踪中的难点问题,提出了一些有效的新方法。
1.大多数的跟踪算法只能在特殊人为设定的场景中对目标进行有效地跟踪,当算法应用到目标表面或周围环境时刻变化的复杂真实场景时就会失效。在此本文提出增量线性子空间模型对目标进行表示,以便在线适应目标表面时刻变化。线性子空间模型能够有效地描述目标表面受到光照和姿势变化的情况。然而大多数基于子空间表面模型的目标跟踪算法是在跟踪之前通过训练不同光照和姿势下目标的观测图像,得到一组特征基,并用这组特征基来表示不同时刻目标表面变化,一旦训练完成之后,特征基就保持不变不能在线更新。在本文中,采用增量子空间学习的方法来构建目标表面的特征基,该特征基能够在线适应目标表面的变化。另一方面传统的子空间学习方法是基于最小二乘重构误差,该方法容易受到异常测量数据的影响,为此本文采用鲁棒的子空间学习方法来降低异常测量数据对特征空间更新的影响。最后将本文的鲁棒子空间表面模型结合状态推理框架中的粒子滤波算法来传播目标的运动参数,达到跟踪的目的。
2.针对跟踪场景的复杂性,为了使跟踪算法能“辨别”目标,提高跟踪算法区分目标和背景的能力,提出了一种自适应混合表面模型跟踪算法。混合表面模型由固定表面模型、快速变化表面模型和特征基表面模型组成,这样能够充分反映目标表面变化。采用上述混合表面模型设计粒子滤波似然模型,使跟踪算法在复杂场景下更稳定,更精确。实验表明,所提算法在光照变化、姿态变化、部分遮挡、全部遮挡等环境下均能稳定可靠地跟踪目标,性能优于利用单一表面模型的跟踪算法。
3.为了将跟踪算法应用到实时目标跟踪系统中,分析了算法的结构特点,统计了各部分资源利用情况。并利用汇编语言和流水线技术对DSP源代码进行优化,使基于复杂场景下的运动目标跟踪算法能够应用到实时目标跟踪系统中,从而实现对复杂场景中目标的实时和稳定跟踪。