復雜場景下的單目標視覺跟蹤算法研究.pdf

1、視覺目標跟蹤是計算機視覺領域的熱點研究問題，在智能監(jiān)控、醫(yī)學、人機交互、體育運動分析等領域取得了成功的應用。盡管近年來視覺跟蹤算法研究取得了長足的進步，但隨著現(xiàn)實應用中的視覺場景變得越來越復雜，視覺跟蹤算法需要處理的難題也越來越多，這使得現(xiàn)有的視覺跟蹤算法無法適應現(xiàn)實應用的需要。這些復雜的場景可能包括:劇烈的光照變化引起的目標外觀劇變;目標運動的不確定性引起的運動突變等等。如何設計有效的跟蹤算法去處理這些跟蹤場景，是視覺跟蹤領域的研究者

2、們一直努力去解決的問題。在此背景下，本文研究了基于貝葉斯濾波框架的視覺跟蹤算法，結合粒子濾波算法和馬氏鏈蒙特卡羅采樣方法，解決復雜場景下的目標跟蹤問題。本文的主要研究內(nèi)容包括:
　　(1)研究了粒子濾波算法及其在視覺跟蹤領域中的應用問題，針對傳統(tǒng)的粒子濾波跟蹤算法存在的問題，提出了基于二階馬爾可夫假設和馬氏鏈蒙特卡羅(Markovchain Monte Carlo，MCMC)后驗采樣的魯棒粒子濾波跟蹤算法。該算法在粒子濾波算法框架

3、下基于二階馬爾可夫假設，假設系統(tǒng)當前時刻的狀態(tài)與前兩個時刻的狀態(tài)有關，考慮歷史狀態(tài)的聯(lián)合后驗概率密度;同時拋棄傳統(tǒng)的重要性采樣方法，使用馬爾可夫鏈蒙特卡羅采樣方法，以避免多樣性缺失問題的影響。
　　(2)研究了目標運動突變情況下的跟蹤問題?；陔S機采樣的跟蹤方法目前在突變運動跟蹤問題中得到了廣泛的應用，本文針對現(xiàn)有的突變運動目標跟蹤算法中存在的問題，提出了一種基于Hamiltonian馬氏鏈蒙特卡羅方法的突變目標跟蹤算法。該算法采

4、用Hamiltonian動力學構造馬氏鏈，能夠一定程度上抑制傳統(tǒng)的隨機采樣跟蹤算法的隨機游動行為，在狀態(tài)空間中搜索時，能夠避免陷入局部模式，有效捕獲發(fā)生突變的目標，在多種不同類型的突變運動場景中均能有效跟蹤目標。
　　(3)提出一種自適應有序超松弛MCMC跟蹤算法。該算法以HMC跟蹤框架為基礎，針對傳統(tǒng)的MCMC跟蹤算法中的隨機游動行為，采用有序超松弛方法抑制Gibbs采樣過程的隨機游動行為，可以減少搜索有希望的目標區(qū)域所需要的迭