基于稀疏表示和特征选择的目标跟踪

摘要

目标跟踪一直是计算机视觉领域的一个热点研究课题，其目的是对具有某种显著特征表征的目标进行跟踪，估计出目标在当前帧的位置、大小以及旋转角度等状态信息。随着图像处理技术以及计算机性能的不断发展，目标跟踪技术日益受到了安全管理部门、企业研究人员、高校等有关学者的极大关注。目标跟踪已经被广泛应用于视频监控、视频分析、视频检索、人机交互、交通监控、虚拟现实增强以及机器人制导等领域。
　　 在复杂场景下对目标进行跟踪往往会遇到各种挑战，例如位置变化、尺度变化、光照变化、视角变化和遮挡等等。近十年来，随着各国学者和技术人员的不断探索和研究，各种算法被提出用于克服上述挑战。
　　 为了应对目标的外观变化，目前视觉跟踪算法都有各自的在线更新策略。但是目前大部分算法都仅仅把目标视作一个单一整体。这种方法虽然保存了目标外观的全局机构信息，但是在更新时不可避免会引入干扰，特别是在遇到大面积遮挡的时候。随着这种错误的累积，必然增加出现漂移的风险。
　　 为了实现复杂场景中的视觉跟踪，本文以LK(Lucas-Kanade)图像配准算法为框架，提出了一种基于稀疏表示的在线特征选择机制。在视频序列的每一帧，筛选出一些能够很好区分目标及其相邻背景的特征，从而降低干扰对跟踪的影响。本算法分别构造前景字典和背景字典，前景字典来自于第一帧的手动标定，并随着跟踪结果不断更新，而背景字典则在每一帧重新构造。同时，一种新的字典更新策略不仅能有效应对目标的外观变化，而且通过特征选择机制，能避免在更新过程中引入干扰，从而克服了漂移现象。大量的实验结果表明，本文算法能有效应对视角变化、光照变化以及大面积的局部遮挡等挑战。

目录

摘要

Contents

第一章 绪论

1．1 研究背景和意义

1．2 目标跟踪的国内外研究现状

1．3 目标跟踪方法的分类

1．4 稀疏表示国内外研究现状

1．5 本文的研究内容和结构安排

第二章 稀疏表示理论以及应用

2．1 引言

2．2 稀疏表示理论基础

2．3 稀疏表示在跟踪的应用

2．3．1 粒子滤波

2．3．2 基于稀疏表示目标算法

2．4 本章总结

第三章 Lucas-Kanade图像配准算法

3．1 引言

3．2 算法原理

3．2．1 算法推导

3．2．2 基于Lucas-Kanade的目标跟踪

3．3 实验结果与讨论

3．4 本章小结

第四章 基于稀疏表示和特征选择的LK目标跟踪

4．1 引言

4．2 目标的特征

4．2．1 特征的描述

4．2．2 特征选择对跟踪的作用

4．3 算法实现

4．3．1 特征选择

4．3．2 字典和模板的更新

4．3．3 基于特征选择的LK图像配准算法

4．4 实验仿真与对比

4．4．1 视角变化、快速运动、光照变化、尺度变化

4．4．2 大面积遮挡

4．4．3 跟踪误差对比

4．5 本章总结

总结与展望

参考文献

攻读硕士学位期间发表的论文

声明

致谢