基于最优特征提取的压缩跟踪算法

《基于最优特征提取的压缩跟踪算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、1绪论1.1课题背景视频监控技术在模式识别领域是一个广受研究、发展迅猛的研究方向。其广泛应用在社区，广场，交通道路等场所，而且要求也随之提高。尤其是在安全防护，公用安全等领域其应用越来越重耍。视频监控技术包括了对目标的分类、目标的检测与跟踪等方面，涉及到计算机视觉、人工智能以及模式识别等领域的众多核心技术，是一个十分具有挑战性的研宂课题。本文的研宂主要是针对视频监控屮FI标的跟踪技术。目标跟踪指的是在视频序列中，给出视频第一帧中初始状态，不断地估计出目标物体在随后视频帧中的位置，从而形成目标运动的轨迹

2、。它是计算机视觉领域中一项应用广泛的重要研宂方向，融合了图像处理、模式识别、人工智能等多种不同学科的理论和知识。由于计算机视觉领域的发展，目标跟踪技术开始得到广泛的应用。典型的应用场合有：1）人机交互[2]:计算机的不断智能化，使得人与计算机能够自然的交流，逐渐摆脱传统的键盘鼠标操作。实现这一H标常见的方式有手势识别等，其中目标跟踪是实现这一0标的关键。2）视频监控：对监视某一场景，侦査其异常情况，并将监控的信息传递给监控者，使其能根据情况采取适当措施。3）视频检索：能够自动的通过对视频内容进行分析处

3、理，建立结构化描述和索引，以实现有效检索海量视频信息。4）交通监控能够实时的拍摄交通场景并对场景中的车、行人等目标进行分析，实现对交通流量的实时统计，对交通事件的及时发现等。5）医疗诊断：跟踪技术己经广泛的应用于超声波和核磁序列阁像的分析中，可以完成病情的诊断。这些广泛的应用使得跟踪技术不断得到深入的研究。目标跟踪是作为计算机视觉领域的一项重要任务，也随着高性能计算机、高性能服务的发展与需求不断增长越来越引起高度的重视。尽管目标跟踪己经研宄了几十年，并且在近年来也取得了很大的进步[7-,2],但是由于

4、跟踪问题的复杂性，使得其依然具有很大的挑战：1）从三维世界的视觉信息投影到二维平面会导致信息丢失2）图像中的噪声3）复杂物体的移动4）目标被部分或全部遮挡5）复杂的物体形状6)场景的光照变化7)实时处理的要求这些复杂性的存在，使得至今没有任何一种跟踪算法能成功解决上述所有问题。因此研发具有良好的鲁棒性、实时性的H标跟踪算法一直是计算机视觉领域的研究热点。1.2国内外研宂现状B标跟踪技术是计算机视觉领域里的一个研究热点。追溯跟踪算法的发展，Lucas和Kanade的图像匹配算法可算比较早。在此基础上，近

5、年來己经产生了大量的FI标跟踪算法，如粒子滤波Meanshift1171算法等都是近十儿年里出现的优秀跟踪算法。冋顾这些0标跟踪算法，主要冇几人重要模块：物体表征策略，搜索机制和模型更新方法。此外还有一些根据上下文的信息或者将多种跟踪器进行融合的方法。物体表征策略：如何描述目标物体是H标跟踪领域的重要任务，不同的特征被提出来表征物体U81。自从Lucas和Kanade%141开创经典图像匹配算法以来，模板匹配［19"211被广泛应用在目标跟踪中。接着，基于子空间的跟踪方法被提出来以便更好地描述物体的改

6、变122'此外，Mei和Ling［231提出一种基于稀疏特性的表征方法来描述物体的变化，不少论文在此基础上提出许多改进算法［24<28］。在模板匹配中所使用的常见视觉特征包括颜色直方阁l8j，梯度直方阁(HOG)129,3'区域协方差描述子l3133j,和类haar特征［3439］等。近来，不少有区分性的特征被用在跟踪领域，通过在线学习二值分类器来区分目标和背景物体％361。许多学习模型被用在跟踪领域屮，如支撑向量机SVMf371,结构化输出SVM模型f121，排序SVM［381，boosting方法

7、［36,391。Kwon和Lee■提出一种自动更新子图像块的拓扑结构来有效跟踪物体姿态的变化。为了更好地处理物体的变化，一些研宄提出了融合多种表述特征的方法［41，42］。搜索机制：为了更好地估计目标物体下一时刻的位置，不少确定性或随机性的方法被提出。当通过优化模型来实现目标跟踪时，可考虑使用梯度下降法有效的确定目标。但是，这些A标函数通常是非线性的，并包含不少局部极小值。为了解决这些问题，密度采用方法被引入

8、39d(K121,当然，计算的负载也会增加。在另一方面，随机搜索算法如粒子滤波等f7,431

9、被广泛的采用，这些算法对局部极小值不敏感，同吋计算更加高效。模型更新：更新目标表征模型对于不断变化的物体外形来说是至关重要的。Matthews1201提出一种模板更新-Lucas-Kanade算法，使得模板能结合第一巾贞采样的结果与最近几帧的变化情况进行更新。在线混合模型l44j，在线boosting模型与子空间增加模型的提出

10、91，使得实现高效的跟踪算法成为可能。对于区分性模型，问题的关键是使在线训练的分类器变得更加鲁棒［45，1(K46，121。上下