可視對象跟蹤算法研究及應(yīng)用.pdf

1、對象跟蹤作為智能視頻分析的關(guān)鍵問題，在計算機視覺領(lǐng)域具有廣泛的應(yīng)用，如智能監(jiān)控、人機交互、機器人技術(shù)以及多媒體應(yīng)用等。盡管研究人員對此做出了大量的工作，但是由于真實世界的復(fù)雜性，如背景干擾、表觀變化、低圖像分辨率，以及幀跳躍等問題，使得在無約束環(huán)境下實現(xiàn)對目標進行長時間實時穩(wěn)定的可視跟蹤任務(wù)仍然是一項極具挑戰(zhàn)性的課題。本文通過對對象跟蹤算法研究現(xiàn)狀的分析，結(jié)合跟蹤過程具有很強的時序性和時空關(guān)系的特點，基于圖像信號分析、模式識別和在線機器

2、學(xué)習(xí)的理論與方法，分別從單目標跟蹤、多目標跟蹤及其應(yīng)用三個方面開展研究，提出了幾種實時穩(wěn)定的對象跟蹤算法。具體工作如下:
　　(1)為了提高依賴隨機蕨檢測的跟蹤算法的穩(wěn)定性，提出了一種基于增強型隨機蕨的對象跟蹤算法。該算法在學(xué)習(xí)過程中，通過在線聚類隨機蕨每個葉節(jié)點中的學(xué)習(xí)樣例，自動發(fā)掘其特征空間中特征向量潛在的分布特性，即隱含類型;在評價過程中，將這些隱含類型作為核函數(shù)的數(shù)據(jù)點進行核密度估計，計算測試樣例的類型概率。實驗結(jié)果表明，

3、該算法在實現(xiàn)實時對象跟蹤的同時提高了跟蹤的穩(wěn)定性。
　　(2)針對基于在線學(xué)習(xí)的跟蹤算法面臨的兩難問題，即如何既保證對目標變化的適應(yīng)能力，又保證學(xué)習(xí)的準確性，提出了基于主動場景學(xué)習(xí)的對象跟蹤算法。該算法基于對象與背景信息建立結(jié)構(gòu)化的約束，并根據(jù)該約束對在線模型和檢測器進行有監(jiān)督的學(xué)習(xí)，從而提高了其學(xué)習(xí)的準確性。同時結(jié)合基于光流分析的目標運動區(qū)域提取方法，使得能夠?qū)焖僖苿幽繕诉M行跟蹤。實驗結(jié)果表明，該算法提高了跟蹤系統(tǒng)對目標變化的

4、適應(yīng)能力和跟蹤的穩(wěn)定性。
　　(3)針對基于霍夫變換的對象跟蹤算法難以實現(xiàn)實時跟蹤的問題，提出了基于霍夫蕨的對象跟蹤算法。該算法采用依賴檢測的跟蹤框架，以隨機蕨作為基礎(chǔ)檢測結(jié)構(gòu)，將對象的局部表觀作為學(xué)習(xí)數(shù)據(jù)，在其每個葉節(jié)點中計算并保存霍夫空間中屬于目標對象的投票概率，并通過在線學(xué)習(xí)使其能夠同步適應(yīng)對象表觀的變化。實驗結(jié)果表明，該算法在滿足跟蹤穩(wěn)定性的同時能夠?qū)崿F(xiàn)實時的對象跟蹤。
　　(4)為了提高跟蹤過程中檢測器的對象識別能

5、力進而提高跟蹤的穩(wěn)定性，提出了在線學(xué)習(xí)多重檢測的對象跟蹤算法。該算法將目標對象的整體和局部表觀，以及由場景學(xué)習(xí)中發(fā)掘的同步對象同時作為學(xué)習(xí)數(shù)據(jù)，因此能夠在跟蹤過程中分別對這些類型的對象進行檢測。最后通過計算這些檢測結(jié)果關(guān)于目標的配置概率進而確定目標的位置，實現(xiàn)對象跟蹤任務(wù)。實驗結(jié)果表明該算法可以適應(yīng)更加復(fù)雜的跟蹤環(huán)境，在滿足實時性的同時提高了跟蹤的穩(wěn)定性。
　　(5)為了降低多目標跟蹤算法的計算復(fù)雜度，實現(xiàn)實時的多目標跟蹤，提出了

6、基于自適應(yīng)運動相關(guān)協(xié)作的多目標跟蹤算法。該算法根據(jù)目標運動信息建立目標間相關(guān)度，通過相關(guān)度狀態(tài)估計協(xié)作模型預(yù)測目標狀態(tài)，實現(xiàn)多目標跟蹤。實驗結(jié)果表明，僅采用基本的短時跟蹤算法，結(jié)合該協(xié)作模型則可以有效的處理目標遮擋，實現(xiàn)實時穩(wěn)定的多目標跟蹤。
　　(6)針對對象跟蹤算法的應(yīng)用問題，結(jié)合具體的應(yīng)用場景研究了相應(yīng)的技術(shù)方法。關(guān)于醫(yī)學(xué)圖像處理的應(yīng)用，提出了一種基于分層檢測的人體膝關(guān)節(jié)前交叉韌帶(ACL)定位方法，用于解決在圖像中檢測和定