目標跟蹤系統(tǒng)中的魯棒性研究.pdf

1、隨著計算機科學、電子技術、人工智能等的發(fā)展與普及,目標跟蹤技術已廣泛地應用到民用和軍事上,如一些重要場所的視頻監(jiān)控系統(tǒng)、自主導航、智能交通監(jiān)控系統(tǒng)、人機交互系統(tǒng)、視頻壓縮等。近年來,大量研究人員對目標跟蹤進行了廣泛、深入的研究,并針對各種應用環(huán)境提出了有效的視頻目標跟蹤算法。然而,由于目標跟蹤系統(tǒng)相當復雜,故研究具有魯棒性強、實用性好的目標跟蹤算法仍然是計算機視覺領域的研究熱點之一。
　　本文對目標跟蹤系統(tǒng)中的目標特征選擇、目標表

2、示模型、相似性度量、目標定位算法這四個方面開展了深入研究,提出了一些新方法。論文的主要研究內(nèi)容和成果概括如下:
　　1.當背景與目標的顏色分布比較相似時,CAMSHIFT目標跟蹤算法就不能成功跟蹤目標,為此,本文提出了一種基于自適應高斯混合模型的目標穩(wěn)定分布提取算法。該算法首先用一種快速有效的自適應高斯混合模型建模方法對目標和背景建模,用改進的巴氏距離評估目標模型中所有高斯單元的區(qū)分能力,選擇出具有較高區(qū)分能力的高斯單元,并由它們

3、生成目標的穩(wěn)定分布。實驗結(jié)果表明該算法能夠成功提取目標的穩(wěn)定分布,并能找到目標中的穩(wěn)定部分,將目標穩(wěn)定分布應用到CAMSHIFT算法后能成功跟蹤目標,從而提高了目標跟蹤性能。
　　2.現(xiàn)有的基于距離度量的目標特征選擇方法大多只適合度量兩個單峰分布之間的距離,而實際上目標和背景分布往往是呈多峰分布的,為此,本文提出了一種基于改進的巴氏距離的目標特征選擇方法。對于每一個特征,用高斯混合模型對目標和背景建模,然后用改進的巴氏距離評估目標

4、模型中每個高斯單元的區(qū)分能力,累加之和作為該特征的區(qū)分能力,并以此作為特征選擇的依據(jù)。靜態(tài)圖像上的主觀實驗結(jié)果表明本文提出的度量方法能有效地度量兩個多峰分布之間的距離,能夠選擇出具有高區(qū)分能力的特征,用這些高區(qū)分能力的特征做目標跟蹤,顯著提高了目標跟蹤的穩(wěn)定性。
　　3.針對傳統(tǒng)的基于EM算法的高斯混合模型建模耗時太大問題,提出了一種在灰度和像素坐標的聯(lián)合空間進行快速高斯混合建模的方法,并利用積分圖像加快候選模型參數(shù)計算速度。同時

5、,本文還提出了一種基于近似對稱KL距離的度量方法來計算目標高斯混合模型與候選目標高斯混合模型之間的相似度。實驗結(jié)果表明本文提出的建模方法可以大幅減少目標建模時間和候選模型參數(shù)估計時間,本文提出的度量方法具有較強的區(qū)分能力且穩(wěn)定,顯著地提升了目標跟蹤性能。
　　4.現(xiàn)有空間直方圖相似性度量方法要么不穩(wěn)定,要么區(qū)分能力不夠強,為此,本文提出了兩種新的空間直方圖相似性度量方法:一種是基于對稱KL距離的度量方法,一種是基于改進JSD距離的