基于稀疏外觀模型學(xué)習(xí)的目標(biāo)持續(xù)性跟蹤算法研究.pdf

1、視頻目標(biāo)跟蹤是機(jī)器視覺(jué)領(lǐng)域中的研究熱點(diǎn)，已經(jīng)被廣泛地應(yīng)用到各個(gè)領(lǐng)域。然而，由于跟蹤場(chǎng)景復(fù)雜性和目標(biāo)運(yùn)動(dòng)不確定性等因素，實(shí)現(xiàn)目標(biāo)的持續(xù)性跟蹤存在很多困難。為了解決這些問(wèn)題，近年來(lái)，豐富的機(jī)器學(xué)習(xí)方法（如子空間學(xué)習(xí)、度量學(xué)習(xí)、流型學(xué)習(xí)和深度學(xué)習(xí)等）被引入到視頻跟蹤研究中，旨在使目標(biāo)的外觀模型具有學(xué)習(xí)能力，從而及時(shí)適應(yīng)目標(biāo)不同的外觀表現(xiàn)形式（如部分遮擋、光線變化和運(yùn)動(dòng)模糊等），然后利用觀測(cè)模型從目標(biāo)候選集合匹配出最佳的跟蹤狀態(tài)。
　　這

2、類基于外觀模型學(xué)習(xí)的視頻跟蹤方法，從目標(biāo)表示模型設(shè)計(jì)、觀測(cè)似然方式設(shè)計(jì)和基于運(yùn)動(dòng)估計(jì)的候選目標(biāo)集合構(gòu)造等方面進(jìn)行深入研究，為視頻目標(biāo)持續(xù)性跟蹤問(wèn)題的有效解決帶來(lái)了新的思路。本論文基于外觀模型學(xué)習(xí)的基本框架，從如何設(shè)計(jì)外觀模型增強(qiáng)目標(biāo)表征能力和如何利用運(yùn)動(dòng)模型提高候選目標(biāo)質(zhì)量的角度展開(kāi)研究，主要研究工作和創(chuàng)新點(diǎn)描述如下：
　　1．提出一種基于稀疏約束增量非負(fù)矩陣分解（Incremental non-negativematrix fa

3、ctorization,INMF）的視頻目標(biāo)跟蹤方法。該算法基于目標(biāo)的NMF子空間表示和稀疏表示兩方面理論，將非負(fù)約束引入到基于矩陣分解的稀疏外觀模型構(gòu)造中，采用NMF基向量代替?zhèn)鹘y(tǒng)稀疏表示中的像素級(jí)別的原子，通過(guò)迭代優(yōu)化求解策略獲得最優(yōu)的外觀模型。然后，利用INMF學(xué)習(xí)確定模型參數(shù)，完成字典更新，實(shí)現(xiàn)持續(xù)性目標(biāo)跟蹤。試驗(yàn)結(jié)果證明，提出的算法對(duì)光線變化、運(yùn)動(dòng)模糊和部分遮擋等問(wèn)題具有更好的跟蹤精度。
　　2.提出一種多任務(wù)稀疏原型的

4、視頻目標(biāo)跟蹤算法。該方法通過(guò)挖掘稀疏表示模型中原子之間相關(guān)性的角度提高目標(biāo)表示能力，將經(jīng)典的單任務(wù)稀疏原型跟蹤算法拓展到多任務(wù)學(xué)習(xí)框架下，并采用Dirty模型設(shè)計(jì)組群約束以共享基向量間的共同特征。同時(shí)，設(shè)計(jì)逐元素約束以體現(xiàn)基向量間的差異性特征，避免傳統(tǒng)多任務(wù)學(xué)習(xí)中暴力強(qiáng)迫所有單任務(wù)分享相同結(jié)構(gòu)特征而導(dǎo)致模型表達(dá)能力下降的問(wèn)題。然后，利用加速逼近梯度下降（accelerated proximal gradient，APG）方法求解最優(yōu)化問(wèn)

5、題，確定模型參數(shù)。最后，利用增量主成分分析（Incremental Principal Component Analysis,IPCA）學(xué)習(xí)模型參數(shù)，完成字典更新，實(shí)現(xiàn)目標(biāo)持續(xù)性跟蹤。試驗(yàn)結(jié)果證明，提出的算法對(duì)光線變化、運(yùn)動(dòng)模糊和部分遮擋等問(wèn)題具有更好的跟蹤精度。
　　3.提出一種基于SIFT flow運(yùn)動(dòng)預(yù)測(cè)的稀疏跟蹤算法。該方法在多跟蹤器框架下對(duì)傳統(tǒng)稀疏表示跟蹤方法進(jìn)行拓展，首次將SIFT flow方法引入跟蹤問(wèn)題，解決因目標(biāo)