论文部分内容阅读
视频目标跟踪技术是计算机视觉和图像处理领域的核心研究课题,也是智能视频监控、人机交互和导弹制导等应用领域中的关键问题。该问题可以描述为:在输入视频场景中,依据给出的目标初始状态,自适应地估计目标物体在后续帧中的运动轨迹。目标跟踪算法,依据跟踪对象个数的不同可分为单目标跟踪和多目标跟踪两类。依据表观模型构建方式的不同可分为判别式跟踪方法和生成式跟踪方法。目前视频目标跟踪领域需要解决的难点包括:相似背景情况下目标的识别、准确的目标尺度估计和目标外观的大规模变形等。超像素分割作为图像预处理的重要技术,通过将图像分割为具有一定语义意义的超像素块,可以去除图像的冗余信息,为后续的图像处理提供中层视觉特征,降低算法处理的复杂度。本文将超像素分割和目标跟踪相结合,深入研究了传统超像素跟踪算法的优缺点,提出了两种改进的基于超像素分割的目标跟踪算法,具体如下:(1)针对背景干扰情况下超像素跟踪算法易漂移的问题,本文提出了一种基于超像素特征约束的目标跟踪方法。该方法通过目标在上一帧的状态信息,构建输入图像的三分图,结合K-means算法初始化目标前景和背景的GMMs参数。之后通过迭代优化能量函数的方式提取目标前景掩膜图,构建超像素特征约束机制,对MeanShift聚类所构建的目标表观模型的超像素块置信值进行约束,降低背景干扰噪声像素的置信值。最后结合贝叶斯框架,对目标的状态信息进行最大后验概率估计。通过实验仿真证明,基于超像素特征约束的目标跟踪方法,能缓解背景干扰情况下的跟踪失败问题,提高背景噪声干扰情况下目标跟踪的鲁棒性。(2)针对传统基于超像素分割目标跟踪算法表观建模耗时大的问题,本文提出了在线判别式超像素跟踪方法。该方法用单隐藏层前馈型神经网络结合超限学习机算法对目标前景-背景特征池中的超像素特征,进行有监督学习构建目标前景-背景超像素块判别网络。同时结合k-d树实现的快速KNN聚类算法,对表观特征空间进行精细分割构建目标前景-背景特征词典,取代MeanShift聚类算法快速构建目标前景-背景外观模型。最后算法结合粒子滤波估计目标位置信息,同时引入相关滤波器,通过提取图像的FHOG特征得到目标尺度滤波器,实现目标尺度辅助估计。本文通过实验仿真,对所提方法的跟踪效果进行定量分析验证了其有效性。