基于自適應(yīng)模型和多特征融合的目標(biāo)跟蹤算法研究.pdf

1、目標(biāo)跟蹤是目前的重點研究問題之一。近幾年跟蹤領(lǐng)域取得了很大的成果，雖然現(xiàn)在已經(jīng)提出了很多方法，但是由于真實場景的復(fù)雜性，目標(biāo)跟蹤仍然是一個挑戰(zhàn)。相關(guān)濾波模型是一種判別模型，相對比其他判別模型，它利用了大量的訓(xùn)練樣本，增強了跟蹤器的魯棒性。但是在跟蹤過程中，傳統(tǒng)的相關(guān)濾波框架下的預(yù)測模型通過線性更新獲得。這往往會造成，模型逐漸遺忘目標(biāo)，從而導(dǎo)致跟蹤失敗。另外，由于真實場景的復(fù)雜性，基于單一特征的模型不能同時處理多種問題。
　　對于以

2、上兩種情況，本文分別提出基于自適應(yīng)模型和基于多特征融合的跟蹤方法。自適應(yīng)模型，通過利用L1稀疏方法確定各個模板的重要程度。首先，構(gòu)造一個模板字典，模板字典作用于搜索框得到響應(yīng)集。然后，響應(yīng)集被對準(zhǔn)函數(shù)處理后，應(yīng)用L1范數(shù)構(gòu)造高斯響應(yīng)與響應(yīng)集之間的關(guān)系式，最小化這個關(guān)系式求解表示系數(shù)。同時衡量響應(yīng)集的PSR值，并做歸一化處理。最后，由L1方法得到的系數(shù)和PSR值共同決定模板的權(quán)重。線性加權(quán)每個模板，生成自適應(yīng)模型。多特征融合機制，利用bo

3、osting算法思想提高鑒別性特征的重要性。對于每一種特征，用給定的初始目標(biāo)位置和高斯響應(yīng)圖，構(gòu)建一個回歸器。然后構(gòu)建測試樣本集，選擇任意其一回歸器對測試樣本集進(jìn)行預(yù)測，預(yù)測的正確率為此特征的結(jié)合權(quán)重，同時根據(jù)預(yù)測正確率調(diào)整測試樣本的分布，加大被預(yù)測錯誤的樣本權(quán)重，使得本預(yù)測錯誤的樣本在后續(xù)的測試中被更加重視，然后選擇剩下的任一回歸器對調(diào)整后的樣本進(jìn)行預(yù)測；如此重復(fù)，直到最后一個特征的回歸器。
　　本文提出的這兩種算法在OTB和V