基于稀疏表示的魯棒性視覺跟蹤方法研究.pdf

1、視覺跟蹤是計算機視覺領(lǐng)域的重要研究課題之一，在國防和民用領(lǐng)域均有廣泛的應(yīng)用前景和需求。然而，視頻中圖像背景復(fù)雜、相機抖動等引起的圖像模糊、光照變化、目標遮擋、視角及尺度變化等因素增加了視頻中目標表觀建模的難度，易引起跟蹤器漂移。因此，視頻目標跟蹤一直是計算機視覺領(lǐng)域的一個研究難點。本文在系統(tǒng)分析已有的視覺目標跟蹤方法的基礎(chǔ)上，重點研究結(jié)合顏色注意和稀疏表示來提高視覺目標跟蹤的魯棒性和實時性，主要的創(chuàng)新性工作概述如下：
　　(1)針

2、對跟蹤器易漂移的問題，結(jié)合稀疏表示和顏色注意機制，提出一種基于生成性模型的魯棒目標跟蹤算法。該方法采用稠密網(wǎng)格對目標圖像進行分塊，稠密網(wǎng)格保留了圖像的結(jié)構(gòu)信息，對每個圖像塊通過稀疏表示的重構(gòu)誤差判斷圖像塊是否被遮擋。鑒于顏色注意機制在區(qū)分目標和非目標時有很好的鑒別性，本文在圖像塊上聯(lián)合計算顏色名特征和稀疏表示特征設(shè)計了一種穩(wěn)健的候選樣本與目標的相似性度量機制來確定目標的位置。在更新目標模板時采用初始幀和當前幀目標模板的線性加權(quán)和，因而得

3、到的表觀模型同時保留了目標的初始信息和增量變化。對比實驗結(jié)果表明，該方法較幾種經(jīng)典的目標跟蹤算法均更魯棒。
　　(2)針對視頻跟蹤計算量大、跟蹤速度慢的問題，結(jié)合壓縮感知和貝葉斯分類，提出一種快速目標跟蹤算法。該算法利用高斯隨機壓縮測量矩陣可以高概率地重構(gòu)原始信號的特點，在初始幀目標和背景中提取壓縮的Haar-like特征訓練鑒別性分類器，在后續(xù)幀跟蹤目標時都用前一幀訓練好的貝葉斯分類器對檢測樣本進行“由粗到細”的分類，以最大響應(yīng)