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研究热点,在安防监控、智能人机交互、军事制导等领域有着广泛的运用。目标跟踪的任务是在视频序列中找到所关心的目标并在后续帧中确定其位置,深入分析该目标的行为。目前,视频目标跟踪技术的理论研究已经取得了快速的发展,很多成果已经进入了实用化阶段,但是在实际应用中存在目标遮挡、尺度变化、光照变化等问题,使得目标跟踪仍然是一项具有挑战性的课题。压缩感知(Compressed Sensing,CS)理论是数字信号处理领域中比较受关注的前沿理论,其中图像稀疏表示已经成为学者的研究热点,在目标识别和跟踪中的运用取得诸多研究成果。本文在已有的跟踪理论和成果的基础上,对压缩跟踪算法进行深入的研究,针对其存在的问题,提出了一些改进的算法。本文主要研究工作和创新点如下:(1)本文首先研究了目标特征提取方法和压缩感知的理论及其在目标跟踪算法中的运用,其次在生成式和判别式跟踪算法中选取主流算法并进行改进,最后通过跟踪测试库中的视频序列和自主采集的视频序列将本文算法与主流算法进行了对比和分析。(2)提出基于区域特征加权的压缩跟踪算法(Feature Weighting Compressed Object Tracking Algorithm,FWCT)。该算法首先将全局区域划分成四个子区域,从中提取低维特征,然后估计各区域压缩特征在样本中的分布情况并计算特征的权值,通过加权特征寻找下一帧目标位置,最后根据前后两帧目标的相似度自适应更新分类器参数。实验结果验证了该算法的有效性和实时性。(3)提出多特征融合的压缩跟踪算法(Multi-feature Fusion Compressed Object Tracking Algorithm,MFCT)。该方法在压缩感知理论的基础上,提取目标的纹理特征和颜色特征,采用随机测量矩阵对目标的多特征进行压缩,建立目标模型,然后通过粒子滤波(Particle Filter,PF)原理估计目标状态,获得目标位置,最后利用设计的目标模板更新机制自适应更新粒子数。实验结果表明该算法在部分遮挡和光照变化的环境下,能有效地跟踪到目标。(4)提出尺度自适应压缩目标跟踪算法(Scale Adaptive Compressed Object Tracking Algorithm,SACT)。该方法利用压缩特征描述目标和背景,通过提取的正负样本在线训练和学习支持向量机(Support Vector Machine,SVM)分类器,把跟踪任务转变成二分类问题,再通过分类器对下一帧图像进行分类,获得目标位置,同时根据前后两帧哈希值的匹配关系,得到模板更新系数,实现目标模板大小的自适应调整。实验结果表明,该算法能稳定地跟踪到目标。