基于改進(jìn)量子粒子群的視覺跟蹤方法.pdf

1、視覺跟蹤是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)重要的組成部分，被廣泛地應(yīng)用于智能交通、監(jiān)控、人機(jī)交互等場(chǎng)景中。同時(shí)，由于應(yīng)用場(chǎng)景的復(fù)雜性，設(shè)計(jì)一個(gè)魯棒的、實(shí)時(shí)的跟蹤方法依舊是一個(gè)研究中的難題，因此，視覺跟蹤有著很大的研究?jī)r(jià)值和探索空間。
　　由于視覺跟蹤的過(guò)程可以被視為是一個(gè)動(dòng)態(tài)尋優(yōu)的過(guò)程，因此，用于解決最優(yōu)化問題的優(yōu)化算法被廣泛地應(yīng)用于視覺跟蹤中。而粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法是目前群體智能算

2、法中的一個(gè)較熱門的研究點(diǎn)，可以用于解決優(yōu)化問題，并且由于其簡(jiǎn)單易實(shí)現(xiàn)、尋優(yōu)效率高等特點(diǎn)受到了廣泛的關(guān)注。介于上述分析，基于PSO的視覺跟蹤在理論上可以作為視覺跟蹤中的一個(gè)新的領(lǐng)域進(jìn)行探索，并已經(jīng)取得了一定的成果。
　　大量實(shí)踐證明了基于PSO算法構(gòu)建的視覺跟蹤方法是可行的，并且有著良好的性能。然而，PSO已經(jīng)被證明是一種局部最優(yōu)的算法，即容易收斂于局部最優(yōu)解?；诹孔永碚摰牧孔恿Ｗ尤海≦PSO）算法在保持了PSO優(yōu)點(diǎn)的基礎(chǔ)上，克服

3、了PSO在全局收斂性上的不足，有著更好的全局收斂性。本文考慮將QPSO引入到視覺跟蹤中，基于QPSO設(shè)計(jì)一個(gè)魯棒的跟蹤算法，但QPSO存在著種群多樣性的問題，在一定程度上會(huì)影響到跟蹤的效果。本文首先提出了差分進(jìn)化量子粒子群（DE-QPSO）算法，該算法將差分進(jìn)化（DE）算法的思想引入到QPSO中，在QPSO的粒子狀態(tài)更新過(guò)程中添加差分進(jìn)化算法中的變異、交叉和選擇操作，以豐富種群多樣性，因此DE-QPSO在保持了QPSO全局收斂能力優(yōu)點(diǎn)的

4、同時(shí)，能夠進(jìn)一步提升算法的性能，并使得算法更加魯棒。另外，在目標(biāo)外觀模型上，采用了分塊的思想，結(jié)合高斯混合模型（Gaussian Mixture Model，GMM），提出了基于局部塊的高斯混合模型（Patch-GMM）以及相應(yīng)的模型更新方法，基于局部塊的外觀模型可以使得目標(biāo)外觀不易受到環(huán)境的影響，使得跟蹤更為魯棒。最后結(jié)合前兩個(gè)研究點(diǎn)，提出了基于 DE-QPSO的跟蹤方法。本文進(jìn)行了大量的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，基于DEQPSO的視覺跟蹤