運(yùn)用先驗(yàn)導(dǎo)向主動(dòng)輪廓的目標(biāo)跟蹤方法研究.pdf

1、目標(biāo)跟蹤是指在一段視頻序列的每幅圖像幀中找出特定的感興趣運(yùn)動(dòng)目標(biāo)的所在位置區(qū)域的技術(shù)。該項(xiàng)技術(shù)是計(jì)算機(jī)視覺領(lǐng)域中的一項(xiàng)重要研究課題，在視頻監(jiān)控等許多基于視覺的智能應(yīng)用有著不可或缺的作用。目標(biāo)跟蹤的關(guān)鍵任務(wù)就是依據(jù)給定的初始目標(biāo)區(qū)域建立目標(biāo)模型，而后依據(jù)該目標(biāo)模型，在新到來的圖像幀的復(fù)雜背景環(huán)境中分離出特定的前景目標(biāo)，最后用該圖像幀的跟蹤結(jié)果來更新所建立的目標(biāo)模型，為下一圖像幀的跟蹤任務(wù)做準(zhǔn)備。因此基于準(zhǔn)確的目標(biāo)區(qū)域提取樣本數(shù)據(jù)從而建立具

2、有辨識(shí)性的目標(biāo)模型對(duì)建立魯棒的跟蹤器是至關(guān)重要的因素。然而目前提出的跟蹤算法大多使用矩形或橢圓等簡單幾何圖形來表示跟蹤結(jié)果。對(duì)于現(xiàn)實(shí)應(yīng)用中的復(fù)雜物體來說，這樣粗略的表示會(huì)不可避免的引入大量背景像素，使得這些背景像素參與目標(biāo)模型的建立與更新，從而弱化目標(biāo)模型的辨識(shí)性并最終導(dǎo)致跟蹤任務(wù)失敗。此外，跟蹤結(jié)果中不精確的目標(biāo)表示也會(huì)限制其在上層應(yīng)用中的有效性，例如基于形狀的人體動(dòng)作識(shí)別，事件檢測等都會(huì)對(duì)跟蹤結(jié)果的精度有較高要求。
　　為了解

3、決這些難點(diǎn)問題，本論文致力于運(yùn)用先驗(yàn)導(dǎo)向主動(dòng)輪廓的目標(biāo)跟蹤技術(shù)的研究。主動(dòng)輪廓模型是一種基于能量函數(shù)的分割方法，其基本思想是通過一個(gè)能量函數(shù)來驅(qū)使一條定義在圖像區(qū)域中的曲線，并使其從初始位置向著期望的區(qū)域邊界演化。本論文重點(diǎn)研究如何利用目標(biāo)跟蹤領(lǐng)域中的目標(biāo)先驗(yàn)知識(shí)指導(dǎo)圖像分割領(lǐng)域中的主動(dòng)輪廓演化，從而得到能夠精確擬合目標(biāo)邊界的目標(biāo)輪廓跟蹤技術(shù)。具體的，根據(jù)不同的跟蹤環(huán)境以及所提供的不同種類的目標(biāo)先驗(yàn)知識(shí)，本文的研究內(nèi)容分為以下四個(gè)方面：

4、
　　本文首先提出了一種基于水平集的均值漂移跟蹤方法，以實(shí)現(xiàn)對(duì)目標(biāo)物體的輪廓跟蹤技術(shù)。該算法在均值漂移的采樣框架中引入二值水平集主動(dòng)輪廓模型，在每個(gè)樣本上進(jìn)行曲線演化并用演化后的曲線能量為樣本賦權(quán)值，從而達(dá)到對(duì)目標(biāo)進(jìn)行輪廓跟蹤的目的。該方法與先前的跟蹤方法相比，創(chuàng)新點(diǎn)在于：第一，相比于以往的均值漂移算法采用矩形或橢圓表示被跟蹤目標(biāo)，該方法引入主動(dòng)輪廓模型實(shí)現(xiàn)了對(duì)目標(biāo)的輪廓跟蹤技術(shù)，提高了跟蹤目標(biāo)表達(dá)的精確度，減少了跟蹤中的漂移現(xiàn)象

5、。第二，相比于使用傳統(tǒng)水平集的方法，本方法采用二值水平集模型，即用二值水平集函數(shù)來替代傳統(tǒng)水平集模型中的符號(hào)距離函數(shù)，從而避免了水平集函數(shù)的重新初始化步驟，大大的提高了運(yùn)行效率。實(shí)驗(yàn)結(jié)果表明，該方法在對(duì)具有復(fù)雜形狀目標(biāo)的跟蹤上，能夠獲得更加準(zhǔn)確的目標(biāo)區(qū)域，并提高了跟蹤器的魯棒性。
　　盡管上一個(gè)提出的方法引入了水平集主動(dòng)輪廓模型實(shí)現(xiàn)了對(duì)目標(biāo)的輪廓跟蹤，但該算法僅依賴于水平集模型的原始分割特性，而未考慮跟蹤上下文中的目標(biāo)先驗(yàn)知識(shí)，這

6、使得它更適用于在特征值單一的背景環(huán)境下分割出特征值單一的前景物體。然而現(xiàn)實(shí)的跟蹤環(huán)境與跟蹤物體往往是具有多種特征值分布的，而水平集模型的原始分割機(jī)制不能魯棒的勝任這些復(fù)雜情況?；诖?，本論文提出一種基于有監(jiān)督水平集模型的目標(biāo)輪廓跟蹤方法。該方法考慮跟蹤的上下文環(huán)境，使用在線Boosting方式學(xué)習(xí)要跟蹤目標(biāo)的特定知識(shí)并規(guī)范水平集模型的曲線演化，使得曲線更精確地收斂到特定目標(biāo)。最后，精確的目標(biāo)跟蹤結(jié)果不僅為boosting算法提供準(zhǔn)確的樣

7、本數(shù)據(jù)，也為下一時(shí)刻的跟蹤任務(wù)提供了準(zhǔn)確的目標(biāo)信息。實(shí)驗(yàn)結(jié)果表明，該方法在復(fù)雜場景中具有有效性。
　　針對(duì)傳統(tǒng)的均值漂移等核跟蹤器都采用矩形或橢圓等簡單形狀核函數(shù)的問題，本文提出一種自適應(yīng)數(shù)據(jù)導(dǎo)向核函數(shù)的目標(biāo)輪廓跟蹤方法。由于理想的核函數(shù)應(yīng)該具有和被跟蹤物體相同的形狀。因此，目前采用固定形狀核函數(shù)的跟蹤器都面臨著如何選擇核函數(shù)窗口的最優(yōu)尺度和方向使得最大程度的逼近目標(biāo)形狀的問題。該方法在均值漂移方法中的樣本空間中引入上述有監(jiān)督水平

8、集模型的思想，使得水平集曲線在樣本空間中區(qū)分兩種樣本的同時(shí)得到擬合目標(biāo)形狀的核函數(shù)。因此，該方法所提出的數(shù)據(jù)驅(qū)動(dòng)核函數(shù)具擬合目標(biāo)形狀并適應(yīng)目標(biāo)變化的能力，從而給出更準(zhǔn)確的估計(jì)偏好。實(shí)驗(yàn)結(jié)果表明，該方法性能優(yōu)于其他采用固定形狀核函數(shù)的跟蹤器。
　　針對(duì)實(shí)際生活中的目標(biāo)可能不具有穩(wěn)定的、易被提取的區(qū)域特征，而具有相對(duì)穩(wěn)定的形狀特征的情況，本論文提出一種基于形狀先驗(yàn)迭代圖切割模型的輪廓跟蹤方法，該方法能夠充分挖掘目標(biāo)的特定形狀先驗(yàn)以準(zhǔn)確

9、估計(jì)目標(biāo)輪廓。該方法在圖切割模型框架中同時(shí)考慮輪廓線與目標(biāo)形狀先驗(yàn)的全局形狀一致性及局部邊緣一致性，來進(jìn)行具有形狀偏好的輪廓演化過程。通過迭代的執(zhí)行該優(yōu)化過程，該方法可以完成對(duì)最優(yōu)輪廓線以及目標(biāo)形狀的同時(shí)估計(jì)，并最終使曲線收斂到使二者一致性最大化的結(jié)果。最后，該方法以基于區(qū)域特征具有各種輪廓分割困難的、具有橢圓形狀先驗(yàn)的物體為例來評(píng)估提出方法。實(shí)驗(yàn)結(jié)果表明，該方法在對(duì)具有特定形狀的目標(biāo)輪廓跟蹤的處理上，具有更優(yōu)的性能。
　　綜合以