基于增量學習判別模型的目標跟蹤方法研究.pdf

1、視頻目標跟蹤是計算機視覺領域的核心技術，它在人機交互、智能監(jiān)控、人形機器人等各個領域中起這至關重要的作用。隨著信息技術的飛速發(fā)展，越來越多的智能算法和模式識別理論被相繼提出，但是視頻目標跟蹤所面臨的挑戰(zhàn)也越來越嚴峻，例如目標的瞬間高速移動、攝像機視角的變化、目標場景中背景與目標的關系復雜、不理想的光照條件、遮擋等問題，因此設計準確、魯棒、高效的視頻目標跟蹤算法仍是一項非常具有挑戰(zhàn)性的任務。
　　 判別模型目標跟蹤是近幾年提出的目

2、標跟蹤的新理念，它將視頻目標跟蹤問題視為目標物與背景的二分類問題，利用分類器或其他判別方法從每幀圖像的背景中區(qū)分出目標。本文首先介紹了與目標跟蹤和二分類判別有關的理論知識;其次對稀疏表示判別分類方法和增量學習方法進行了深入的研究，并提出了用于相應的分類算法和字典更新算法;最后，使用本文提出的跟蹤算法對一些視頻中的目標進行有效跟蹤，其主要研究工作包括:
　　 1.針對過完備字典判別能力不足的問題，提出了一種利用正、負樣本增量學習得

3、到過完備字典的訓練方法。通過提取當前幀中正樣本和負樣本建立字典學習目標函數(shù)的判別約束項，使得學習的到的過完備字典不但對目標類有效，同時拒判非目標類，并利用增量學習的方式對當前字典中的原子實時更新，提高過完備字典在跟蹤過程中的自適應性。試驗驗證基于本文字典的目標跟蹤算法對光照變化、目標外觀模型變化具有魯棒性。
　　 2.針對判別模型目標跟蹤方法中目標候選集合龐大，一步算法不容易快速、準確搜索目標的問題，提出了一種基于全局與局部稀疏