基于增量学习判别模型的目标跟踪方法研究

摘要

视频目标跟踪是计算机视觉领域的核心技术，它在人机交互、智能监控、人形机器人等各个领域中起这至关重要的作用。随着信息技术的飞速发展，越来越多的智能算法和模式识别理论被相继提出，但是视频目标跟踪所面临的挑战也越来越严峻，例如目标的瞬间高速移动、摄像机视角的变化、目标场景中背景与目标的关系复杂、不理想的光照条件、遮挡等问题，因此设计准确、鲁棒、高效的视频目标跟踪算法仍是一项非常具有挑战性的任务。
　　 判别模型目标跟踪是近几年提出的目标跟踪的新理念，它将视频目标跟踪问题视为目标物与背景的二分类问题，利用分类器或其他判别方法从每帧图像的背景中区分出目标。本文首先介绍了与目标跟踪和二分类判别有关的理论知识;其次对稀疏表示判别分类方法和增量学习方法进行了深入的研究，并提出了用于相应的分类算法和字典更新算法;最后，使用本文提出的跟踪算法对一些视频中的目标进行有效跟踪，其主要研究工作包括:
　　 1.针对过完备字典判别能力不足的问题，提出了一种利用正、负样本增量学习得到过完备字典的训练方法。通过提取当前帧中正样本和负样本建立字典学习目标函数的判别约束项，使得学习的到的过完备字典不但对目标类有效，同时拒判非目标类，并利用增量学习的方式对当前字典中的原子实时更新，提高过完备字典在跟踪过程中的自适应性。试验验证基于本文字典的目标跟踪算法对光照变化、目标外观模型变化具有鲁棒性。
　　 2.针对判别模型目标跟踪方法中目标候选集合庞大，一步算法不容易快速、准确搜索目标的问题，提出了一种基于全局与局部稀疏表示分类的目标跟踪方法。将当前帧中的目标状态分成目标中心点和局部状态两部分，首先将目标中心点仿射变换得到目标中心点仿射变换集合，利用本文提出的稀疏表示全局分类寻找目标的大致区域;然后，固定目标中心点结合前一帧中目标的局部状态仿射变化获得目标的局部状态集合，利用稀疏表示局部分类算法确定目标的精确位置。试验结果表明该方法不但可以在复杂场景下精确跟踪目标，而且对于下一步的字典更新提供了保障。

目录

声明

摘要

插图索引

附表索引

第一章 绪论

1．1 课题研究背景与意义

1．2 目标跟踪国内外研究现状

1．2．1 基于生成模型的目标跟踪

1．2．2 基于判别模型的目标跟踪

1．3 目标跟踪研究面临的问题和挑战

1．4 本文的结构及主要创新点

第二章 判别模型及稀疏表示理论

2．1 目标跟踪的二分类问题

2．1．1 标准二分类问题

2．1．2 Fisher判别模型目标跟踪

2．1．3 1-X分类问题

2．2 稀疏表示理论

2．2．1 信号稀疏表示数学描述

2．2．2 稀疏表示问题的解法

2．3 基于稀疏表示目标跟踪

2．3．1 稀疏表示目标跟踪模型

2．3．2 建立目标运动模型

2．3．3 稀疏表示分类

2．3．4 过完备字典

2．4 目标跟踪算法的性能评估

2．5 本章小结

第三章 基于增量字典学习的目标跟踪算法

3．1 稀疏表示字典学习

3．1．1 字典学习与凸优化

3．1．2 最优方向法(MOD)

3．1．3 K-SVD

3．2 字典更新模型

3．3 判别字典获取

3．3．1 线性判别字典

3．3．2 Biased判别字典

3．3．3 字典增量学习

3．4 实验及分析

3．5 本章小结

第四章 稀疏表示全局局部分类目标跟踪算法

4．1 目标跟踪中的分类方法

4．1．1 Adaboost分类算法

4．1．2 SVM分类算法

4．1．3 全局与局部分类

4．2 稀疏表示全局局部方法

4．2．1 全局局部分类目标模型

4．2．2 稀疏表示全局局部分类算法

4．2．3 集合有偏判别字典的全局局部分类跟踪算法

4．3 实验结果与分析

4．3．1 性能分析

4．3．2 定量分析

4．4 本章小结

第五章 总结与展望

5．1 论文的主要工作

5．2 展望

参考文献

致谢

附录A 攻读硕士学位期间所发表的学术论文