多紋理目標(biāo)的實(shí)時(shí)魯棒跟蹤研究.pdf

1、隨著計(jì)算機(jī)視覺科學(xué)的逐步發(fā)展，目標(biāo)跟蹤技術(shù)已在人類的生產(chǎn)和生活中得到了廣泛的應(yīng)用，例如智能監(jiān)控、天氣預(yù)測(cè)、軍事防衛(wèi)、智能交通、醫(yī)療診斷以及人機(jī)互動(dòng)等領(lǐng)域。在這些目標(biāo)中，引起人們注意的往往是有紋理的目標(biāo)，而紋理少或沒有紋理的目標(biāo)通常不會(huì)引起人們的注意。因此，本文著重研究對(duì)多紋理目標(biāo)的跟蹤。目標(biāo)跟蹤環(huán)境中有許多復(fù)雜條件需要應(yīng)對(duì)，跟蹤過(guò)程中存在著目標(biāo)快速運(yùn)動(dòng)、目標(biāo)發(fā)生形變、目標(biāo)被遮擋、背景雜亂、光照劇烈變化等問(wèn)題。針對(duì)這些問(wèn)題，學(xué)者們提出了許

2、多目標(biāo)跟蹤算法。本文試圖實(shí)現(xiàn)實(shí)時(shí)魯棒的目標(biāo)跟蹤，進(jìn)行了相關(guān)研究，并提出了三種新的目標(biāo)跟蹤算法：
　　一、動(dòng)態(tài)更新學(xué)習(xí)率的快速多示例學(xué)習(xí)跟蹤算法（FDMIL）。多示例學(xué)習(xí)跟蹤算法采用了低效的強(qiáng)分類器更新方法，并且在更新分類器時(shí)，將分類器的學(xué)習(xí)率定為恒值，導(dǎo)致了分類器不能準(zhǔn)確的反映當(dāng)前目標(biāo)的真實(shí)外觀，降低了跟蹤的魯棒性。因此，動(dòng)態(tài)更新學(xué)習(xí)率的快速多示例學(xué)習(xí)跟蹤算法直接從弱分類器池中選取效果好的弱分類器組成強(qiáng)分類器，提高了分類器的更新速

3、率；同時(shí)算法中分類器學(xué)習(xí)率根據(jù)被跟蹤目標(biāo)的外觀變化情況進(jìn)行動(dòng)態(tài)更新，使分類器更新的速率與目標(biāo)外觀的變化程度保持一致，提高了分類器識(shí)別真實(shí)目標(biāo)的準(zhǔn)確性，從而提高了跟蹤的魯棒性。
　　二、雙特征融合的加權(quán)多示例學(xué)習(xí)跟蹤算法（DWMIL）。多示例學(xué)習(xí)跟蹤算法在訓(xùn)練分類器時(shí)，采用包作為訓(xùn)練單位而非包中的每個(gè)示例，此外，多示例學(xué)習(xí)跟蹤算法沒有考慮正示例對(duì)分類器訓(xùn)練的貢獻(xiàn)大小。因此， DWMIL根據(jù)示例對(duì)分類器訓(xùn)練的重要程度，給每個(gè)示例加了一

4、個(gè)權(quán)重。同時(shí)， DWMIL同時(shí)釆用了Haar-like和 HOG兩種特征描述目標(biāo)，達(dá)到互補(bǔ)的作用。當(dāng)出現(xiàn)各種復(fù)雜情況某個(gè)特征不能很好地適應(yīng)目標(biāo)變化時(shí)，另一目標(biāo)發(fā)揮作用，保證了跟蹤的魯棒性。
　　三、本文還提出了一種基于 SIFT特征的目標(biāo)重跟算法，用于目標(biāo)跟蹤丟失后重新找回。通過(guò)基于 SIFT特征的目標(biāo)檢測(cè)，在目標(biāo)跟蹤丟失后重新確定目標(biāo)的位置。
　　為了驗(yàn)證算法效果，進(jìn)行了眾多實(shí)驗(yàn)。結(jié)果表明，F(xiàn)DMIL和 DWMIL算法相比