复杂环境下基于多特征融合的目标跟踪关键技术研究

发布时间：2016-10-23 08:18

第 1 章 绪 论

随着计算机视觉的不断发展以及社会需求的日益增加，越来越多的高校和研究机构投入到目标跟踪技术的研究。目前，，在视觉目标跟踪领域，国外研究成果比较突出的有卡内基梅隆大学、麻省理工学院和斯坦福大学等；国内研究成果比较突出的有中国科学院、清华大学、中国科学技术大学、国防科学技术大学、上海交通大学和华中科技大学等。其他高校和科研机构也为视觉目标跟踪技术的发展做出了一定贡献，取得了一些研究成果。目前国内外对目标跟踪所做的研究工作，主要集中在目标检测、目标建模、目标数据关联等关键技术方面。如：美国包括卡内基梅隆大学、麻省理工学院等十几所高校开发的 VSAM(Video surveillance and monitoring)项目[2]、剑桥大学开发的用于手势识别的 HTK(HMM tools kit)工具包、伦敦大学等六所大学共同开发的ADVISOR项目[3]等。国内的清华大学智能图文信息处理研究室在文字识别、多模式生物特征身份认证、视频监测与分析等领域都有所建树；中国科学院计算所的视觉信息处理与学习研究中心在人脸识别与跟踪、人体姿势识别等方面有其独到的研究成果；北京动化研究所模式识别国家重点实验室在计算机视觉方向上为开发智能系统提供了关键技术；还有浙江大学、上海交通大学模式识别与计算机视觉实验室、微软亚洲研究院视觉计算组、南京大学、华中科技大学等也都在视觉目标跟踪研究中投入了大量的精力，在智能监控系统、虚拟现实和三维重建等领域都取得了显著的科研成果。

.......

第 2 章 多特征融合目标跟踪框架的构建

2.1 多特征目标模型的建立

蒙特卡罗随机模拟(Monte Carlo Stochastic Simulation)方法[150, 151]是一种采用抽样统计近似求解数学、物理和工程问题的方法。随着计算机技术的发展，蒙特卡罗方法已经成为一种非常有效的分析方法，许多经典的数学问题，如微分方程、积分方程、重积分和线性方程组的求解等都用到蒙特卡罗方法。蒙特卡罗随机模拟的实质是利用服从某种分布的随机过程来模拟系统中可能出现的随机现象，虽然每次模拟实验只能描述系统可能出现的一种情况，但在进行大量的模拟实验后，根据大数定理和中心极限定理即可得出有价值的结论。

2.2 目标跟踪算法分析

视觉目标跟踪中滤波算法的目的，就是根据已有的信息从后续的图像序列中，估计出系统中跟踪目标的当前状态。在估计理论中，滤波是指利用当前和之前的观测值来估计目标的当前状态，隐马尔科夫模型(Hidden Markov Model, HMM)将隐藏变量 以一种概率相关 的方式表现为系统观测量 ，能够很好的表示这种滤波数据序列。图 2-4 给出了一阶隐马尔科夫模型，即每个时刻的观测量仅和该时刻的状态相关，且独立于之前的观测量。

第 3 章 基于多特征自适应融合的粒子滤波目标跟踪............ 44

3.1 基于粒子滤波的目标跟踪.......................... 44
3.2 多特征融合目标模型描述....................................46
3.3 似然函数计算..........................46
3.4 自适应多特征融合及权值计算....... 46
第 4 章 基于多特征自适应融合的 Mean Shift 目标跟踪..........65
4.1 基于 Mean Shift 的目标跟踪算法................................65
4.2 Mean Shift 目标跟踪技术存在的问题分析.......................66
4.3 多特征融合目标模型描述和相似性度量.......................66
第 5 章 基于多特征自适应融合的分块目标跟踪................88
5.1 全局特征模型和局部特征模型存在的问题分析..................88
5.2 局部敏感直方图特征........... 89

第 5 章 基于多特征自适应融合的分块目标跟踪

5.1 全局特征模型和局部特征模型存在的问题分析

无论是单特征目标跟踪还是多特征融合跟踪，建立有效的目标特征模型，是实现鲁棒跟踪的前提。基于全局特征的目标模型是对目标表观整体进行建模，对目标局部变化比较敏感，容易受光照变化和遮挡的影响，并且，由于无法明确目标模型何时更新以及哪部分需要更新，在目标模型的更新过程中很容易引入背景像素，导致跟踪漂移。基于分块划分建立的局部特征模型将目标整体划分为若干个空间结构化的子块集合，通过度量不同子块的匹配程度实现对整个目标的跟踪，由于在子块内部，图像模式的不变性较强，这类算法对于目标形变和遮挡具有更强的适应性。现有基于分块划分的目标跟踪算法存在的主要问题是：分块策略通常采用固定数量和大小的均匀矩形分块对目标模型进行分割，未考虑各子块的局部差异性和多样性，当目标模型特征分布均匀时，各子块之间容易产生信息冗余，当目标模型特征分布复杂时，又无法适应目标模型的多变性。

5.2 局部敏感直方图特征

最简单的目标分块方法就是根据初始跟踪框的形状和大小按比例均匀分块。对常用的矩形跟踪区域，一般在垂直和水平方向将矩形区域分割成均匀的 4 个小分块，每个垂直块的高度和宽度分别为目标区域高度和宽度的一半。更普遍的多区域分块方法是将目标一次性均匀划分为多个等比例的区域，每个子块的位置和形状在目标区域内是固定的，方便在后续帧中的搜索区域中进行指定块和块之间的匹配定位。图 5-2 给出了一个按比例均匀分块的多区域目标分块示意图，图中(a)将矩形目标区域分成了 2*2 的子块，(b)将矩形目标区域分成 10*2 的子块。
.......

结 论

视觉目标跟踪是计算机视觉和模式识别领域的热点问题。能够实时的对视觉目标进行精确、鲁棒的跟踪，是所有研究者共同追求的目标，虽然国内外研究学者对视觉目标跟踪进行了深入广泛的研究，并取得了很多重要研究成果，但正如本文第一章所介绍的，由于受相似背景、光照变化、目标形变、遮挡等因素的影响，要实现上述目标还存在一些值得深入研究的问题。本文以提高目标跟踪的鲁棒性为主要目标，以现有的经典目标跟踪算法为框架，对基于多特征融合的目标跟踪相关问题进行了深入研究，主要研究成果有：1．提出了基于多特征融合目标跟踪框架的构建方案，建立了基于多特征融合目标跟踪的总体框架；通过对目标状态进行划分，提出了处理多特征融合目标跟踪问题的一般方法和通用模型；通过引入特征描述能力度量函数，提出了基于特征描述能力度量的多特征融合策略，为实现不同跟踪算法框架下的多特征融合目标跟踪提供了解决方法和理论支持。

.......

参考文献（略）

本文编号：150058