結合運動矢量和背景信息的加權壓縮跟蹤算法.pdf

1、目標跟蹤是機器視覺領域里十分活躍的研究方向，在人機交互，視頻監(jiān)控，車輛行人跟蹤等領域有著廣泛的應用。壓縮感知類跟蹤算法基于壓縮感知理論，因其跟蹤魯棒性較高，運算速度快，能滿足實際應用的特點而廣受關注。本文對壓縮感知跟蹤算法主要工作體現(xiàn)在以下兩個方面。
　　第一，壓縮感知跟蹤算法中如果能夠對目標的運動信息做到有效分析，將會對目標位置的預測起到關鍵作用，進而提高目標跟蹤的準確率，并且當選擇目標特征對分類器進行分類學習時，如果能夠對提取

2、到的特征進行篩選，選擇正樣本和負樣本區(qū)分度較大的特征對分類器進行訓練將會大幅增加分類器分類的魯棒性。第二，跟蹤過程中由于往往伴隨著目標遮擋，若增加遮擋檢測機制，當檢測到目標出現(xiàn)遮擋時停止分類器的繼續(xù)學習可以避免分類器錯誤的分類，對目標的背景信息加以利用將會實現(xiàn)目標遮擋后的跟蹤。
　　本文提出一種結合運動矢量判斷目標位置的模型，在跟蹤框架內圖像進行超像素分割，對跟蹤目標區(qū)域的超像素進行運動矢量編碼統(tǒng)計分析，得到目標運動速度和方向的估

3、值，修正候選目標的搜索位置，有效降低因跟蹤目標移動劇烈或速度過快而導致的跟蹤漂移問題。利用生物視覺系統(tǒng)的focus of attention理論對目標特征分塊提取并分配置信權值，改善樸素貝葉斯分類器在復雜背景下的分類魯棒性，降低跟蹤框架內因相似背景的干擾而導致分類器錯誤分類的情況。增加目標檢測機制，當目標存在嚴重遮擋時停止學習正負樣本，避免目標重新回到畫面后跟蹤丟失的問題。
　　本文提出一種在目標遮擋情況下結合局部背景信息的特征自

4、適應選擇的分塊加權壓縮跟蹤算法。對目標特征進行分塊提取，對不同位置塊上的特征賦予不同的權值，減少跟蹤框架邊緣背景對目標跟蹤的干擾；針對目標低維空間特征利用Bhattacharyya距離進行自適應選擇，放大目標與背景區(qū)分度，提高分類器的魯棒性；對邊緣跟蹤塊設置目標檢測機制，當檢測到目標邊緣塊出現(xiàn)遮擋時，停止目標正負樣本的更新并結合局部背景信息，對目標和局部背景信息進行建模，實現(xiàn)目標遮擋后的跟蹤。
　　實驗結果表明，本文提出的兩種算法