论文部分内容阅读
目标跟踪在计算机视觉领域中是一项富有挑战性的任务。它有着广阔的应用前景,比如智能视频监控,交通监控,视频检索以及人机交互等等。因此快速、准确且适应复杂环境变化的目标跟踪技术具有重要的意义。
在真实的场景中,目标的外观由于光线条件、姿态和尺度的变化,物体间的临时严重遮挡,或者是不规则运动等因素而不断发生变化,这一切给目标跟踪带来极大地挑战。从统计学的角度来看,运动目标的不规则运动将带来一种复杂非高斯的异常行为,目前存在的算法尚未能完全可以处理此类问题。同时,传统主成分(PCA)方法由于以最小均方误差为准则而容易受到异常观测值的影响,这不利于建立跟踪目标的外观模型。此外,目前存在的大量鲁棒PCA算法都是通过迭代方式来实现,通常这是一个十分耗时的过程。
为了解决以上诸多跟踪困难,本文在对目前的增量PCA算法研究和分析的基础上,提出新的一种新的增量型鲁棒PCA算法(IRPCA)描述物体的表面纹理信息,提高了复杂场景下物体外观模型描述能力。全文的主要成果有:
1、以不同样本间离散度矩阵关系式为基础,拓展并改进现有增量PCA算法到多样本情形,同时应用了遗忘因子更精确地描述数据的重要性,提出了新的增量PCA算法;
2、以增量的方式而不是繁琐的迭代方式拓展增量PCA到鲁棒PCA,形成增量的鲁棒PCA算法(IRPCA),算法简单明了,计算代价小,并且具有较强的描述物体外观能力;
3、应用IRPCA算法建立跟踪目标的外观模型,提出了HIRPCA跟踪算法。
实验结果表明,HIRPCA跟踪算法具有较为优异的跟踪性能,能够实现复杂场景下实时、准确且鲁棒的目标跟踪。