復雜條件下運動目標跟蹤方法的研究.pdf

1、運動目標跟蹤是計算機視覺的重要研究內容，在智能監(jiān)控、精確制導、視覺導航等領域具有廣泛的應用。盡管國內外研究人員對此進行了深入研究，但運動目標跟蹤依然面臨若干挑戰(zhàn)性問題，突出表現(xiàn)在復雜條件下的目標姿態(tài)變化、光照變化、尺度變化、背景復雜、遮擋等因素的干擾。基于此，本文重點研究基于機器學習的目標跟蹤算法，主要的研究工作如下：
　　(1)提出了基于二值化規(guī)范梯度的TLD目標跟蹤算法。在跟蹤器中引入基于時空上下文的局部跟蹤器失敗預測方法和全

2、局運動模型評估算法，提高跟蹤精度。二值化規(guī)范梯度算法取代滑動窗口搜索策略，結合級聯(lián)分類器實現(xiàn)目標檢測，在保證檢測精度的前提下，減少檢測器的檢測范圍，提高了檢測速度。將訓練樣本權重整合到在線學習過程中，提高級聯(lián)分類器的分類精度，解決目標漂移問題。實驗結果表明，與目前主流跟蹤算法比較，在復雜條件下該算法提高跟蹤精度的同時具有更快的處理速度。
　　(2)提出了一種基于深度學習的目標跟蹤算法。該算法以TLD算法為框架，利用增強群跟蹤器對目

3、標進行預測與跟蹤，提高目標跟蹤的精度。P-N學習對樣本加權處理，提高分類器的分類精度。深度去噪自編碼器和sigmoid分類器構建深度檢測器，結合全局多尺度掃描窗口搜索策略檢測可能的目標。深度去噪自編碼器利用無監(jiān)督特征學習優(yōu)化網(wǎng)絡參數(shù)，遷移學習將學習到的信息應用到在線跟蹤中，提取圖像的本質特征，同時解決跟蹤過程中訓練樣本不足的問題。在線跟蹤過程中，利用分類神經(jīng)網(wǎng)絡將目標從背景中分離出來，利用有監(jiān)督學習微調網(wǎng)絡參數(shù)，以適應跟蹤過程中的各種變

4、化。使用K均值聚類算法對在線模板集聚類，形成二值樹，減少模板匹配數(shù)量，從而降低算法復雜度。實驗結果表明，與目前主流跟蹤算法比較，在復雜條件下該算法具有更高的跟蹤精度及更好的穩(wěn)定性。
　　(3)提出了基于增量深度學習的目標跟蹤算法。粒子濾波算法分布粒子集，通過無監(jiān)督特征學習得到的深度去噪自編碼器提取粒子區(qū)域特征，表達圖像的本質信息。增量特征學習優(yōu)化粒子區(qū)域特征集以適應目標的各種變化并實現(xiàn)粒子區(qū)域更有效的表達。增量特征學習由添加特征和

5、整合特征兩部分構成，添加特征引入新的特征信息，整合相似特征獲得精簡的特征表示。線性支持向量機對優(yōu)化后的特征集進行分類，得到粒子置信度，同時微調深度網(wǎng)絡，將粒子置信度最高的作為跟蹤結果。引入粒子集規(guī)模自適應調整的雙重采樣過程，解決粒子衰減和貧化問題。實驗結果表明，與目前主流跟蹤算法比較，在復雜條件下該算法具有更高的跟蹤精度以及更好的穩(wěn)定性。
　　(4)針對復雜條件下基于多示例學習的跟蹤算法存在的問題，提出了基于多示例深度學習的目標跟

6、蹤算法。針對原始多示例跟蹤算法中采用Haar-like特征不能有效表達圖像信息以及受到外界條件的影響很容易失效的缺點，利用深度去噪自編碼器提取示例圖像的有效特征，實現(xiàn)圖像信息的本質表達，提高對環(huán)境變化的適應能力。針對原始多示例學習跟蹤算法中選取弱特征向量不能更換，難以反映目標自身和外界條件變化的缺點，在選擇弱分類器過程中，實時替換判別力最弱的特征以適應目標外觀的變化。針對原始多示例跟蹤算法中運動模型僅假設幀間物體運動不會超過某個范圍，不