论文部分内容阅读
视频目标跟踪技术是计算机视觉领域的重要研究内容,同时也是智能安防、智能交通、行为分析以及人机交互等领域的关键应用技术。尽管近年来计算机视觉技术飞速发展,国内外的众多学者提出了大量优秀的目标跟踪算法,但由于光照变化、目标遮挡、背景干扰以及目标姿态变化等因素,使得目标跟踪技术仍然是一项富有挑战性的课题。压缩感知理论是由Donoho等人提出的一种新兴的信号处理理论,该理论自发表以来便吸引了大量研究人员的关注。该理论在图像处理等信号处理领域应用甚广,近年来在目标跟踪方面取得了较好的成果。在压缩感知理论及压缩跟踪算法框架支撑下,本文提出了基于局部稀疏特征的压缩跟踪算法——改进的压缩跟踪算法(ICT, Improved Compressive Tracking)。本文的主要研究内容及创新点如下:(1)针对在目标光照变化强烈、目标旋转及快速运动等复杂环境下,压缩跟踪算法易出现目标漂移甚至丢失的问题,本文提出一种改进的压缩跟踪算法。该算法使用SURF特征对前景目标和背景进行特征提取。应用表明,构建一个有效的外表模型是目标跟踪算法取得成功的重要前提。根据外表模型可以将目标跟踪算法分成两类,即生成式和判别式跟踪算法。生成式模型下的目标跟踪算法是在进行大量样本学习后获得目标模型,接着利用目标模型搜索最小重构误差的视频帧区域作为新一帧目标位置。判别式模型下的目标跟踪算法则把目标跟踪任务转化为一种二元分类问题,以此将目标从背景中分离出来,从而实现目标跟踪。(2)针对所提取特征的高维特性给跟踪任务带来的巨大计算开销,本文采用压缩感知理论对得到的高维特征向量进行稀疏表示,在保留原始特征信息的同时,能够有效地降低特征维度,并提出在正样本搜索阶段采用粗精搜索策略,减少正样本搜索的时间,从而大大降低计算量。使得本文提出的改进的压缩跟踪算法在保证较好的目标跟踪效果的同时保证了目标跟踪的实时性需求。后续的跟踪过程是采用朴素贝叶斯分类器对正负样本进行分类,并在线学习更新分类器。由此可以看出本文算法属于判别式模型下的目标跟踪算法。(3)本文在生成式及判别式两类跟踪算法中选取三种主流的跟踪算法,对其实现原理及技术细节进行讨论,分析其对本文思路形成的影响。最后在实验结果与分析部分将改进的压缩跟踪算法与这三种跟踪算法进行对比和分析。对不同的测试视频序列的实验结果表明,本文方法在应对目标光照、旋转及快速运动时能够有效地跟踪目标,并具有较强的鲁棒性。在给定的运行环境下,改进的压缩跟踪算法平均帧速可达31 fps,满足目标跟踪的实时性需求。