论文部分内容阅读
目标跟踪是计算机视觉领域中最为重要的研究课题之一,广泛地应用于智能监控、智能交通、人机交互、智能医学诊断等方面。在给定目标的初始状态(包括位置、尺寸等信息)下,目标跟踪的目的是在连续的视频图像序列中估计目标的状态,从而捕捉目标完整的运动轨迹。在过去的数十年里,目标跟踪取得了长足的进步,各类优秀的算法及有效的新理论相继涌现。然而,由于目标自身因素(如姿态变化、尺度变化、形状变化等)和外部因素(如光照变化、遮挡、运动模糊、背景杂乱等)的干扰,在实际应用中实现鲁棒、精确的目标跟踪仍然是一个很大的挑战。本文在详细分析目标跟踪工作机理的基础上,从设计鲁棒的外观模型角度出发,开展了相关的研究工作,并取得了以下几方面的创新性成果。(1)提出了一种基于双尺度加权结构化局部稀疏外观模型的目标跟踪算法。局部外观模型由于对部分遮挡、姿态变化、形变等的鲁棒性,在目标跟踪领域备受青睐。然而,已有的基于局部外观模型的跟踪算法普遍存在一个问题,即在构建外观模型时,往往忽略局部块在描述目标外观信息中的不同重要性。本文提出了一种简单而有效的加权结构化局部稀疏外观模型,该模型在考虑局部块重要性的基础上,可以更好地描述目标的外观信息。具体来说,本文利用局部块的结构化重建误差计算基于块的权重来衡量局部块的重要性。在外观模型的构建过程中,采用基于块的权重对局部块的稀疏编码进行加权。这样,就在局部外观模型中加入了局部块的重要性。为了进一步提高其鲁棒性,本文通过多尺度化将这个加权结构化局部稀疏外观模型扩展成了一个双尺度加权结构化局部稀疏外观模型。双尺度加权结构化局部稀疏外观模型联合了不同尺度的空间信息和结构信息,有效地提高了跟踪性能。在跟踪基准数据集上的大量实验表明,本文算法具有较强的鲁棒性和较高的精确性。(2)提出了一种基于加权局部子空间重建误差的目标跟踪算法。目标跟踪是一个挑战性的任务,因为它需要学习一个有效的模型来应对由姿态变化、光照变化、遮挡和运动模糊等因素引起的目标外观变化。已有的目标跟踪算法要么采用局部外观模型,要么采用全局外观模型。全局外观模型可以描述目标的整体属性,但它通常将目标视为一个整体,对整体的处理方式都是一致的,即不管目标是否被遮挡,是否发生形变,对目标的各部分都一视同仁,不会有针对性的区别对待。局部外观模型可以捕捉目标的局部外观变化,并对不同的部分进行不同的处理。然而,局部外观模型往往缺乏目标的整体信息。全局外观模型和局部外观模型在目标跟踪中各有优势和不足,两者可以在一定程度上互补。基于此,本文将基于子空间表示的全局外观模型和基于局部稀疏表示的局部外观模型巧妙地结合,构建了一个协同决策的外观模型。具体来说,本文利用候选目标局部稀疏表示后各局部块的结构化重建误差设计一组权重,并将它们作为惩罚因子,对候选目标在子空间表示下的重建误差的各局部块进行调控,用于构造最终的观测似然。另外,本文还提出了一个遮挡感知的模型更新机制。通过与一些优秀方法的定量和定性比较,验证了本文算法的有效性。(3)提出了一种基于多特征和快速尺度自适应核相关滤波的目标跟踪算法。近年来,基于相关滤波的判别模型跟踪算法因其高效、鲁棒性强而受到广泛关注。然而,大多数基于相关滤波的判别模型跟踪算法只使用单一特征进行跟踪,单一特征在应对复杂场景的各种变化时有其局限性。同时,实现快速精确的尺度统计仍然是一个挑战性的问题。最后,基于相关滤波的判别模型跟踪算法在外观模型更新时通常使用一个固定学习率,更新学习的滤波器,以适应图像序列中最新的外观变化。这种基于固定学习率的外观模型更新机制适用于简单环境下的跟踪或者短时跟踪。本文提出了一种基于多特征和快速尺度自适应核相关滤波的判别模型跟踪算法。该算法使用一个独立的尺度滤波器来处理目标的尺度变化,并将两个互补特征整合在一起,进一步提高了整体跟踪性能。最后,引入了一种基于动态学习率的模型更新机制,通过抑制含噪外观变化的影响,有效缓解了模型退化问题。本文在两个大型跟踪基准数据集上开展了大量的实验。定量和定性结果表明,与其他主流跟踪算法相比,本文提出的跟踪器在实时性和鲁棒性方面均取得了较好的效果。(4)提出了一种基于全局稀疏编码和局部卷积特征的目标跟踪算法。由于遮挡、尺度变化、背景杂乱等因素的影响,目标跟踪在许多计算机视觉应用中都是一个挑战性的任务。为了在复杂场景中实现鲁棒的目标跟踪,本文提出了一种基于联合外观模型的目标跟踪算法。联合外观模型包含了两个相互互补的部分:基于全局稀疏编码的判别模型和基于局部卷积特征的生成模型。在判别模型中,本文提出了一种有效的置信度计算方法,该方法给目标对象一个较大的置信度,给其他图像区域一个较小的置信度,能够很好地将目标与复杂的背景区分开来。在生成模型中,本文通过一组滤波器对目标区域在每个位置进行卷积操作,提取目标的局部外观表示。在包含50个具有挑战性视频的跟踪基准数据集上进行的实验验证了本文算法的鲁棒性和有效性,超过了许多优秀的模型。