基于改進量子粒子群的視覺跟蹤方法.pdf

1、視覺跟蹤是計算機視覺領域中一個重要的組成部分，被廣泛地應用于智能交通、監(jiān)控、人機交互等場景中。同時，由于應用場景的復雜性，設計一個魯棒的、實時的跟蹤方法依舊是一個研究中的難題，因此，視覺跟蹤有著很大的研究價值和探索空間。
　　由于視覺跟蹤的過程可以被視為是一個動態(tài)尋優(yōu)的過程，因此，用于解決最優(yōu)化問題的優(yōu)化算法被廣泛地應用于視覺跟蹤中。而粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法是目前群體智能算

2、法中的一個較熱門的研究點，可以用于解決優(yōu)化問題，并且由于其簡單易實現(xiàn)、尋優(yōu)效率高等特點受到了廣泛的關注。介于上述分析，基于PSO的視覺跟蹤在理論上可以作為視覺跟蹤中的一個新的領域進行探索，并已經(jīng)取得了一定的成果。
　　大量實踐證明了基于PSO算法構(gòu)建的視覺跟蹤方法是可行的，并且有著良好的性能。然而，PSO已經(jīng)被證明是一種局部最優(yōu)的算法，即容易收斂于局部最優(yōu)解?；诹孔永碚摰牧孔恿Ｗ尤海≦PSO）算法在保持了PSO優(yōu)點的基礎上，克服

3、了PSO在全局收斂性上的不足，有著更好的全局收斂性。本文考慮將QPSO引入到視覺跟蹤中，基于QPSO設計一個魯棒的跟蹤算法，但QPSO存在著種群多樣性的問題，在一定程度上會影響到跟蹤的效果。本文首先提出了差分進化量子粒子群（DE-QPSO）算法，該算法將差分進化（DE）算法的思想引入到QPSO中，在QPSO的粒子狀態(tài)更新過程中添加差分進化算法中的變異、交叉和選擇操作，以豐富種群多樣性，因此DE-QPSO在保持了QPSO全局收斂能力優(yōu)點的

4、同時，能夠進一步提升算法的性能，并使得算法更加魯棒。另外，在目標外觀模型上，采用了分塊的思想，結(jié)合高斯混合模型（Gaussian Mixture Model，GMM），提出了基于局部塊的高斯混合模型（Patch-GMM）以及相應的模型更新方法，基于局部塊的外觀模型可以使得目標外觀不易受到環(huán)境的影響，使得跟蹤更為魯棒。最后結(jié)合前兩個研究點，提出了基于 DE-QPSO的跟蹤方法。本文進行了大量的實驗，實驗結(jié)果表明，基于DEQPSO的視覺跟蹤