復(fù)雜地面背景下目標(biāo)魯棒跟蹤技術(shù)研究.pdf

1、復(fù)雜地面背景下目標(biāo)魯棒跟蹤技術(shù)是實(shí)現(xiàn)無人機(jī)對(duì)地偵察打擊任務(wù)的基礎(chǔ)，也是各類精確制導(dǎo)武器在末制導(dǎo)階段實(shí)現(xiàn)實(shí)時(shí)準(zhǔn)確捕獲目標(biāo)的關(guān)鍵。然而由于地面場景中存在光照變化、遮擋、尺度縮放、旋轉(zhuǎn)、非剛體形變、雜亂背景干擾、由物體突然運(yùn)動(dòng)引起的圖像模糊、相似物干擾等挑戰(zhàn)因素，對(duì)運(yùn)動(dòng)單目標(biāo)進(jìn)行魯棒跟蹤仍面臨諸多困難。本文從一個(gè)典型跟蹤系統(tǒng)包含的四個(gè)組成部分入手展開研究，以半監(jiān)督在線學(xué)習(xí)理論為基礎(chǔ)，提出相應(yīng)的跟蹤算法以克服上述因素的影響。主要研究內(nèi)容包括以下

2、幾方面：
　　1、介紹了半監(jiān)督在線學(xué)習(xí)的基本理論及兩類典型的基于半監(jiān)督在線學(xué)習(xí)的目標(biāo)跟蹤方法：Online MIL跟蹤與TLD跟蹤。它們對(duì)開展復(fù)雜地面背景下目標(biāo)魯棒跟蹤技術(shù)研究具有重要的指導(dǎo)及借鑒作用。Online MIL跟蹤用包袋來封裝具有相近標(biāo)簽的實(shí)例，并用包袋標(biāo)簽代替實(shí)例標(biāo)簽，通過對(duì)樣本標(biāo)簽進(jìn)行模糊化處理以弱化監(jiān)督效應(yīng)，能較好的解決樣本模糊問題，其實(shí)質(zhì)是對(duì)目標(biāo)外觀表示方法的創(chuàng)新。TLD跟蹤提出了一種新的目標(biāo)跟蹤框架，利用在線

3、學(xué)習(xí)機(jī)制融合跟蹤結(jié)果與檢測結(jié)果，同時(shí)在線學(xué)習(xí)也使跟蹤算法具有”記憶”功能，當(dāng)丟失的目標(biāo)在視場中重現(xiàn)時(shí)，能夠重新捕獲到該目標(biāo)，它拓展和完善了傳統(tǒng)的基于檢測的目標(biāo)跟蹤理論，彌補(bǔ)了僅依靠純檢測或純跟蹤方法存在的跟蹤性能不穩(wěn)定的不足，實(shí)質(zhì)是對(duì)跟蹤方法的創(chuàng)新。
　　2、提出了一種具有尺度自適應(yīng)的特征壓縮跟蹤方法，解決辨別式跟蹤算法中的樣本特征降維及對(duì)目標(biāo)尺度變化的適應(yīng)性問題。將壓縮感知理論引入目標(biāo)跟蹤領(lǐng)域，首先用一個(gè)滿足有限等距準(zhǔn)則的高斯隨

4、機(jī)測量矩陣對(duì)提取的樣本特征進(jìn)行壓縮降維，再用降維后的特征進(jìn)行分類，這不僅有助于降低計(jì)算量、提高跟蹤算法的實(shí)時(shí)性，而且由于壓縮特征保留了原始特征的大部分信息，因而能較好的表征目標(biāo)特性、保證目標(biāo)跟蹤精度。同時(shí)，為了使跟蹤算法適應(yīng)目標(biāo)尺度變化，在樣本采樣階段，通過結(jié)構(gòu)約束性采樣獲得能盡量反映目標(biāo)位置及尺度變化的樣本集，以便在跟蹤過程中能找到與目標(biāo)當(dāng)前狀態(tài)匹配的最佳樣本。
　　3、提出一種基于正負(fù)樣本響應(yīng)差異最大化的在線加權(quán)特征選擇目標(biāo)跟

5、蹤方法，解決特征冗余問題。分類器輸入特征數(shù)量與輸出性能之間不一定存在線性關(guān)系，當(dāng)特征數(shù)量超過一定值時(shí)，不僅耗費(fèi)巨大的計(jì)算開銷，而且還會(huì)降低分類器輸出性能。通過定義一個(gè)樣本響應(yīng)差異函數(shù)來選擇多個(gè)特征選擇器(即弱分類器)組成強(qiáng)分類器，并用該強(qiáng)分類器對(duì)樣本進(jìn)行分類，分類得分最高的樣本塊即對(duì)應(yīng)當(dāng)前幀跟蹤結(jié)果。在選取特征選擇器組成強(qiáng)分類器過程中，根據(jù)樣本與目標(biāo)位置間的距離及重疊度關(guān)系賦予該樣本相應(yīng)的權(quán)重，以突出正樣本、抑制負(fù)樣本，增強(qiáng)分類器對(duì)正負(fù)

6、樣本響應(yīng)的辨識(shí)能力，從而找出最佳正樣本來描述目標(biāo)當(dāng)前狀態(tài)。
　　4、提出一種基于壓縮特征稀疏表示的目標(biāo)跟蹤方法，解決壓縮特征在 PCA子空間中的表示問題。PCA子空間表示法用目標(biāo)模板集的主成分分量來描述候選目標(biāo)，極大地增強(qiáng)目標(biāo)外觀描述能力，能夠克服噪聲、光照變化的影響。利用生成式表示策略及增量學(xué)習(xí)更新方式對(duì)表示目標(biāo)外觀模型的壓縮特征子空間及瑣碎模板進(jìn)行稀疏表示，將目標(biāo)跟蹤看成是壓縮特征的稀疏近似問題。為了更新遮擋條件下的目標(biāo)外觀模

7、型，提出一種逆指示策略，根據(jù)壓縮特征子空間獲得的似然值尋找原始圖像空間中具有最大觀測似然的圖像塊。與基于模板集或基于PCA子空間的目標(biāo)外觀表示方法相比，本文方法雖然也需解決一序列l(wèi)1正則最小二乘問題，但由于壓縮特征維數(shù)低，故計(jì)算復(fù)雜度大大降低。本文方法對(duì)光照變化、部分遮擋、尺度及姿態(tài)變化等因素的影響具有較強(qiáng)的魯棒性。
　　5、基于上下文在解決目標(biāo)抗遮擋、相似表觀干擾等方面表現(xiàn)出的優(yōu)越性，提出兩種基于上下文輔助的目標(biāo)跟蹤方法。

8、>　　一種是基于兩級(jí)隱式形狀模型的目標(biāo)抗遮擋跟蹤方法，主要解決嚴(yán)重遮擋條件下的目標(biāo)定位問題。在兩級(jí)碼本特征中，一級(jí)特征源于目標(biāo)自身，另一級(jí)特征源自周圍目標(biāo)，用這些碼本特征構(gòu)建兩級(jí)投票模型。根據(jù)遮擋程度的不同，賦予這些特征不同的投票權(quán)重，以提高遮擋條件下的目標(biāo)定位精度，該方法實(shí)質(zhì)是利用稀疏上下文輔助目標(biāo)跟蹤。
　　另一種是具有尺度及方向自適應(yīng)的時(shí)空上下文(SOASTC)輔助目標(biāo)跟蹤方法，將目標(biāo)跟蹤看成是一個(gè)貝葉斯框架下求解目標(biāo)位置似