基于遺傳算法和狀態(tài)轉(zhuǎn)換的目標(biāo)跟蹤研究.pdf

1、計(jì)算機(jī)視覺指利用攝像機(jī)和電腦分別代替人類的眼睛和視覺系統(tǒng)，從而實(shí)現(xiàn)對外部世界視覺信息的自動收集、分析、處理和響應(yīng)，使計(jì)算機(jī)能看懂并理解現(xiàn)實(shí)世界。雖然目標(biāo)跟蹤技術(shù)經(jīng)過多年的發(fā)展，已經(jīng)成為人工智能領(lǐng)域比較活躍的課題之一，并取得了很大的進(jìn)步和應(yīng)用，但由于現(xiàn)實(shí)環(huán)境復(fù)雜，跟蹤目標(biāo)多變，現(xiàn)在想要開發(fā)出準(zhǔn)確度高、魯棒性強(qiáng)、實(shí)時(shí)性棒的泛化跟蹤器仍然具有很大挑戰(zhàn)。為了應(yīng)對這些挑戰(zhàn)，本文主要創(chuàng)新工作如下所示:
　　(1)針對單目標(biāo)跟蹤挑戰(zhàn)，本文提出了

2、基于遺傳算法增強(qiáng)的邏輯回歸單目標(biāo)跟蹤算法，主要從四個(gè)方面對其進(jìn)行了創(chuàng)新性改進(jìn):運(yùn)動模型、外觀模型、模板更新機(jī)制以及正負(fù)樣本選擇機(jī)制等等。首先，為了解決候選區(qū)域的選擇問題，提出了一種新穎的智能運(yùn)動模型，它不僅利用粒子濾波算法做局部搜索，而且創(chuàng)造性地利用遺傳算法做全局搜索，有效解決了目標(biāo)的快速運(yùn)動難題;然后，提出了新穎的模型更新機(jī)制，以便跟蹤器實(shí)時(shí)地應(yīng)對目標(biāo)形變帶來的影響;接著，提出魯棒的正負(fù)樣本選擇機(jī)制，可有效地解決跟蹤漂移難題;最后，高

3、效地將FHOG特征與Lab特征組合，作為目標(biāo)的外觀描述，進(jìn)一步增強(qiáng)了跟蹤器的魯棒性。同時(shí)，在目標(biāo)跟蹤基準(zhǔn)(OTB)[15]上進(jìn)行了跟蹤器成分實(shí)驗(yàn)與分析，證明了本文算法創(chuàng)新點(diǎn)的有效性，并歸納總結(jié)了影響跟蹤算法整體性能的重要因素;而且將其與OTB中的9種傳統(tǒng)跟蹤器和7種性能較優(yōu)的跟蹤器做了總體性能比較，進(jìn)一步證明本文跟蹤器的性能最佳。
　　(2)對于多目標(biāo)跟蹤挑戰(zhàn)，本文針對基于狀態(tài)轉(zhuǎn)換的多目標(biāo)跟蹤算法進(jìn)行了研究和改進(jìn)。首先，本文改進(jìn)了

4、一種基于狀態(tài)轉(zhuǎn)換的多目標(biāo)跟蹤框架[35]，使該框架擴(kuò)展性能和泛化能力都有效增強(qiáng)，其它高效的檢測算法和跟蹤算法都很容易進(jìn)行移植;然后，本文把復(fù)雜的多目標(biāo)跟蹤問題轉(zhuǎn)化為簡單的五種跟蹤狀態(tài)之間的決策轉(zhuǎn)換問題以及相應(yīng)的數(shù)據(jù)關(guān)聯(lián)問題;接著，本文通過結(jié)合線下學(xué)習(xí)和在線學(xué)習(xí)兩種方法的優(yōu)勢，進(jìn)一步增強(qiáng)決策函數(shù)的泛化性能與數(shù)據(jù)關(guān)聯(lián)能力;最后，在多目標(biāo)跟蹤基準(zhǔn)數(shù)據(jù)庫[70]中做了兩組實(shí)驗(yàn)，用于驗(yàn)證本文跟蹤器的性能，同時(shí)和當(dāng)前多目標(biāo)跟蹤領(lǐng)域中性能較優(yōu)異的9種