視覺場景下的運動目標發(fā)現(xiàn)與跟蹤算法研究.pdf

1、從視覺場景中發(fā)現(xiàn)運動目標并對其進行跟蹤是低層與中層視覺處理任務，也是運動目標行為分析的基礎。本文的主要任務是精確地發(fā)現(xiàn)視頻序列初始幀中的運動目標，計算出運動目標的狀態(tài)向量，并在后續(xù)視頻幀中連續(xù)地估計出該目標的狀態(tài)向量。開展該課題的研究對智能視頻監(jiān)控、智能交通、武器系統(tǒng)、視頻壓縮等領域都具有重要的理論和應用價值。這些新的高應用價值領域給廣大研究人員提供了強大的研究動力。
　　為了實現(xiàn)運動目標跟蹤算法的自動初始化，本文首先研究了一種兩

2、階段精確定位的運動目標發(fā)現(xiàn)算法。主流的運動目標跟蹤算法采用兩種模型進行構造，一種是生成式模型，另一種是判別式模型。通過研究這兩種跟蹤模型的構造方式，提出了兩種基于生成式模型的運動目標跟蹤算法以及一種判別式模型下的跟蹤算法。本文的主要貢獻包括：
　　首先，本文提出了一種基于彩色光流與視覺似物性度量的運動目標發(fā)現(xiàn)算法，該算法用于解決運動目標跟蹤算法的自動初始化問題。遵循由粗到細的原則將運動目標發(fā)現(xiàn)視為兩階段定位問題。依據(jù)Opponen

3、t顏色理論計算視覺上顯著的彩色光流場，通過對光流場歸一化和閾值化處理，定位出運動目標的粗位置?？紤]視覺上如何判斷一個圖像區(qū)域是否為物體，定義兩種似物性度量，即顏色對比度和邊緣完整性度量。再采用滑動窗口精確地標記出運動目標在序列圖像中的邊界框。通過實驗表明該算法可以確保運動目標跟蹤算法自動實現(xiàn)。
　　其次，本文提出了一種張量核主成分投影下的運動目標跟蹤算法，該算法依據(jù)目標表觀圖像間的非線性關系對目標進行跟蹤?？紤]到來源于同一目標的張

4、量在不同模下的展開矩陣存在于Grassmann流形中，通過Grassmann流形中主角度定義張量核函數(shù)。再利用核主成分投影（KPCA）在核空間中對樣本數(shù)據(jù)進行降維投影，最后將動態(tài)預測融入貝葉斯濾波框架中，用于對遮擋情形下的目標狀態(tài)向量進行預測。通過對比實驗表明所提出的算法在目標姿態(tài)、尺度變化以及部分遮擋時具有較高的精確性與魯棒性。
　　再次，本文提出了一種基于特征張量多流形判別分析的運動目標跟蹤算法，該算法用于處理多相似目標相互遮

5、擋場景。多目標場景中目標被遮擋時，從遮擋到分離的過程中易受到相似目標干擾，導致跟蹤失敗。目標表觀采用顏色和梯度特征構造的特征張量描述以適應部分遮擋。通過粒子濾波模板匹配跟蹤算法建立先驗多流形張量數(shù)據(jù)集。為了體現(xiàn)判別性，定義張量距離確定張量數(shù)據(jù)的流形內與流形間鄰域關系，構造多流形判別分析獲取子流形的多線性投影矩陣，最后結合貝葉斯序貫推理獲得目標狀態(tài)向量的最終估計。同時研究了當前幀中新獲取的目標狀態(tài)向量的可靠性，建立了一種多流形數(shù)據(jù)集更新準

6、則。通過對比實驗表明上述算法在多個相似目標互相遮擋的場景中能有效地區(qū)分目標與相似目標。
　　最后，本文提出了一種基于彩色特征隨機壓縮的運動目標跟蹤算法。該算法研究了彩色視頻序列中目標的顏色分布特性，引入了一種新的彩色類Haar特征，通過隨機壓縮的方式提取彩色類Haar特征。研究了樣本中特征分布特性，構造了一種加權的樸素貝葉斯分類器。為了適應目標表觀變化，對分類器參數(shù)實時更新。通過在公開的具有挑戰(zhàn)性的視頻序列上進行對比實驗，驗證了算