基于低秩稀疏的視頻目標(biāo)跟蹤研究.pdf

1、隨著人工智能的發(fā)展，視頻目標(biāo)跟蹤技術(shù)已經(jīng)成為計(jì)算機(jī)視覺中一個(gè)重要的研究方向。它在智能監(jiān)控、交通檢測(cè)、人機(jī)交互、行為識(shí)別、軍事、醫(yī)學(xué)等領(lǐng)域有著了廣泛的應(yīng)用。盡管近年來視覺跟蹤算法研究取得了長(zhǎng)足的進(jìn)步，但是復(fù)雜場(chǎng)景中存在的光照變化、嚴(yán)重遮擋、尺度變化、非剛性形變、運(yùn)動(dòng)模糊、背景雜波等因素引起的目標(biāo)外觀的變化，使得設(shè)計(jì)一個(gè)在各種復(fù)雜場(chǎng)景的情況下能夠準(zhǔn)確跟蹤的算法仍然是一項(xiàng)挑戰(zhàn)性的難題。
　　最近，基于粒子濾波框架下的低秩稀疏表示的目標(biāo)跟

2、蹤算法受到研究者們的廣泛關(guān)注，這類跟蹤算法首先采用模板字典來構(gòu)建目標(biāo)的外觀模型，然后把候選目標(biāo)表示為模板字典的線性組合，最后利用稀疏表示理論或者低秩表示理論來求解候選粒子的線性系數(shù)，具有最小重構(gòu)誤差的候選粒子被認(rèn)為是當(dāng)前幀的跟蹤結(jié)果。這類算法已經(jīng)被證明能夠有效處理遮擋和目標(biāo)外觀的變化，對(duì)各種復(fù)雜場(chǎng)景下的目標(biāo)跟蹤具有較好的魯棒性。本文在粒子濾波框架下，基于低秩稀疏表示理論從外觀模型的不同角度提出了兩種魯棒性的目標(biāo)跟蹤算法。
　　(1

3、)針對(duì)整體外觀模型的跟蹤算法在遮擋或者非剛性形變的情況下容易發(fā)生漂移甚至跟蹤失敗的問題，本文提出了一個(gè)基于局部多任務(wù)聯(lián)合稀疏表示的視頻目標(biāo)跟蹤算法。相比整體的外觀模型需要目標(biāo)對(duì)象的完整信息不同，局部塊的外觀模型能夠利用目標(biāo)可見部分（未被遮擋部分）的信息或者發(fā)生形變小的局部塊信息確定目標(biāo)的位置。該算法首先對(duì)采樣得到的每個(gè)候選目標(biāo)區(qū)域采用相同的分塊方式進(jìn)行分塊，把所有候選目標(biāo)同一位置的局部塊觀測(cè)向量組成的觀測(cè)矩陣表示為目標(biāo)模板相應(yīng)局部塊的線

4、性組合。然后基于多任務(wù)學(xué)習(xí)和稀疏表示理論設(shè)計(jì)一個(gè)目標(biāo)的局部多任務(wù)聯(lián)合稀疏表示模型。為了捕獲候選粒子中的離群粒子，模型中的系數(shù)矩陣被分解成兩個(gè)不同稀疏類型的矩陣。采用加速近端梯度算法(APG)求解系數(shù)矩陣。最后結(jié)合離群粒子檢測(cè)機(jī)制和目標(biāo)模板更新機(jī)制實(shí)現(xiàn)目標(biāo)的魯棒性跟蹤?？紤]到邊緣的局部塊包含部分背景信息，該算法給邊緣的局部塊重構(gòu)誤差賦予較低的權(quán)重，選擇候選目標(biāo)所有局部塊加權(quán)的重構(gòu)誤差之和最小的作為當(dāng)前幀的跟蹤結(jié)果。
　　(2)基于單

5、一特征描述目標(biāo)能力較弱，不同特征描述目標(biāo)能力有所差別這個(gè)事實(shí)，本文提出了一個(gè)基于多任務(wù)多視圖聯(lián)合低秩稀疏表示的視頻目標(biāo)跟蹤算法。該算法首先提取亮度、顏色、邊緣、紋理四種互補(bǔ)的視覺特征來描述目標(biāo)的外觀，把所有候選目標(biāo)同一種視覺特征組成的觀測(cè)矩陣表示為相應(yīng)特征字典的線性組合。然后基于多任務(wù)學(xué)習(xí)和低秩稀疏表示理論建立一個(gè)目標(biāo)的多任務(wù)多視圖聯(lián)合低秩稀疏表示模型。在模型中，系數(shù)矩陣被分解成兩個(gè)矩陣之和，對(duì)一個(gè)矩陣施加低秩和行稀疏約束，低秩屬性用來