基于水平集的在線目標(biāo)輪廓跟蹤研究.pdf

1、目標(biāo)跟蹤是計算機視覺領(lǐng)域的基礎(chǔ)研究方向之一，而輪廓跟蹤作為它的重要的組成部分，在視覺分析與理解中占有重要的地位。通過輪廓跟蹤，可以獲得目標(biāo)的姿態(tài)、行為、運動等信息，為后續(xù)的高層的行為識別和理解奠定了基礎(chǔ)。目前，輪廓跟蹤已經(jīng)廣泛應(yīng)用到人機交互、虛擬現(xiàn)實、醫(yī)療診斷、安全監(jiān)控等領(lǐng)域。雖然如此，目前輪廓跟蹤仍有很多理論及技術(shù)問題需要解決，比如跟蹤指定目標(biāo)需要離線地訓(xùn)練大量樣本、目標(biāo)丟失或者消失后重新出現(xiàn)和局部遮擋問題等。研究輪廓跟蹤具有實用價值

2、和良好的市場前景。
　　本文的工作以在視覺監(jiān)控場景下長時間跟蹤目標(biāo)輪廓、解決遮擋問題為目標(biāo)。在下面三個問題上進行了深入的探討和分析：
　　1）針對目標(biāo)輪廓的長時間跟蹤，本文提出了將基于判別式表觀模型的水平集與在線檢測的方法相結(jié)合的方法。在跟蹤過程中加入檢測機制，用檢測器來輔助跟蹤。我們提出用檢測器的結(jié)果來重新初始化目標(biāo)輪廓的方法，解決了跟蹤漂移和目標(biāo)丟失的問題，實現(xiàn)了長時間跟蹤目標(biāo)輪廓；同時，我們將檢測結(jié)果應(yīng)用到表觀模型更新

3、過程中，提高了跟蹤性能。
　　2）針對遮擋情況下的輪廓跟蹤，本文提出了一種基于非負(fù)矩陣分解(NMF)的形狀先驗?zāi)Ｐ?，并提出一個權(quán)重距離因子來控制模型的在線增量學(xué)習(xí)的方法。本文使用分層的水平集跟蹤框架，并提出了一個基于非負(fù)約束最小二乘(NNLS)的判別標(biāo)準(zhǔn)來確定是否需要將形狀先驗?zāi)Ｐ团c表觀模型相結(jié)合，解決了跟蹤過程中的遮擋問題。
　　3）針對目標(biāo)輪廓跟蹤的在線問題，本文引入了在線初始化和在線學(xué)習(xí)機制。其中，在線初始化包括水平集