基于稀疏表示的在線(xiàn)目標(biāo)跟蹤研究.pdf

1、目標(biāo)跟蹤的主要目的是獲得目標(biāo)在視頻或者圖像序列中每一時(shí)刻的運(yùn)動(dòng)狀態(tài)，包括位置、大小等，進(jìn)而獲得其在整段視頻中的運(yùn)動(dòng)軌跡。作為圖像(視頻)處理和模式識(shí)別領(lǐng)域的重要研究課題，目標(biāo)跟蹤具有廣闊的應(yīng)用前景。自問(wèn)題提出以來(lái)，一系列方法相繼出現(xiàn)，但仍然面臨諸多困難，尤其是光照變化、遮擋、尺度變化、場(chǎng)景混亂、姿態(tài)變化、圖像模糊和劇烈運(yùn)動(dòng)等因素對(duì)目標(biāo)外觀(guān)的影響，已成為制約其在實(shí)際中進(jìn)一步應(yīng)用的關(guān)鍵。近年來(lái)，在線(xiàn)目標(biāo)跟蹤(Online ObjectTra

2、cking,OOT)逐漸成為目標(biāo)跟蹤領(lǐng)域的研究熱點(diǎn)，該類(lèi)方法試圖根據(jù)目標(biāo)的外觀(guān)變化對(duì)跟蹤器進(jìn)行自適應(yīng)地調(diào)整與更新，在解決上述問(wèn)題方面取得了更為令人滿(mǎn)意的效果。其中，隨著近年來(lái)信號(hào)稀疏表示、凸優(yōu)化理論以及壓縮感知的發(fā)展，利用信號(hào)稀疏性進(jìn)行目標(biāo)跟蹤的方法獲得了廣泛的關(guān)注。
　　為此，本文針對(duì)目標(biāo)在場(chǎng)景中外觀(guān)變化情況下的跟蹤魯棒性問(wèn)題，以目標(biāo)跟蹤為研究對(duì)象，以外觀(guān)變化場(chǎng)景下基于稀疏表示理論的在線(xiàn)目標(biāo)跟蹤為目標(biāo)展開(kāi)研究。主要工作和創(chuàng)新點(diǎn)如

3、下：
　　(1)基于稀疏表示理論，本文提出了一種基于選擇性稀疏外觀(guān)模型和時(shí)空分析的生成性在線(xiàn)跟蹤方法。首先，本文構(gòu)建選擇性稀疏外觀(guān)模型，該模型將目標(biāo)區(qū)域分割為相互重疊的圖像塊，利用關(guān)鍵點(diǎn)比例排序(Key Point Proportion Ranking,KPPR)算法構(gòu)建目標(biāo)區(qū)域的局部重要性評(píng)價(jià)，以最重要的部分圖像塊為關(guān)鍵塊代表目標(biāo)。然后，方法構(gòu)建了基于時(shí)空分析的跟蹤處理過(guò)程。對(duì)選擇后的圖像關(guān)鍵塊進(jìn)行基于Elastic Net正則

4、化的時(shí)域加權(quán)稀疏表示，通過(guò)時(shí)空統(tǒng)計(jì)推斷的分析方法，完成目標(biāo)在當(dāng)前時(shí)刻的位置估計(jì)。在運(yùn)動(dòng)建模部分，本文基于聯(lián)合高斯分布假設(shè)和針對(duì)過(guò)去時(shí)刻跟蹤信息的處理近似，構(gòu)建了一種遞推式的仿射運(yùn)動(dòng)模型；在觀(guān)測(cè)建模部分，本文采用稀疏表示系數(shù)核加權(quán)跡的lp范數(shù)計(jì)算目標(biāo)候選樣本的置信度，并構(gòu)建置信度-坐標(biāo)空間(Confidence-Coordinate Space，CCS)，然后通過(guò)較大置信度候選樣本在該空間內(nèi)的推演實(shí)現(xiàn)當(dāng)前幀目標(biāo)位置，使得目標(biāo)位置的估計(jì)相對(duì)

5、更為靈活，但不失魯棒。該跟蹤方法在本文構(gòu)建的由16段典型測(cè)試序列組成的基準(zhǔn)集合進(jìn)行了測(cè)評(píng)實(shí)驗(yàn)，在其中14段序列實(shí)現(xiàn)了較為穩(wěn)定和魯棒的跟蹤，12段序列平均中心誤差在10像素以下，平均覆蓋率綜合達(dá)到了66.8％，其中1段測(cè)試序列對(duì)應(yīng)的平均中心誤差和平均覆蓋率在全文24種跟蹤方法測(cè)評(píng)對(duì)比中排名最優(yōu)。實(shí)驗(yàn)的主客觀(guān)分析結(jié)果表明，與經(jīng)典的在線(xiàn)目標(biāo)跟蹤方法相比，本文所提出的生成性方法在跟蹤準(zhǔn)確率方面更具優(yōu)勢(shì)。
　　(2)針對(duì)本文所提生成性跟蹤方

6、法存在的跟蹤器易受周?chē)h(huán)境負(fù)面影響的問(wèn)題，結(jié)合稀疏表示理論中的字典學(xué)習(xí)問(wèn)題，本文提出了一種基于增量結(jié)構(gòu)化字典學(xué)習(xí)的判別性在線(xiàn)跟蹤方法(Incremental Discriminative Structured Dictionary Learning for Visual Tracking,IDSDL-VT)。首先，本文構(gòu)建了一種增量判別性結(jié)構(gòu)化字典學(xué)習(xí)(Incremental Discriminative Structured Dict

7、ionary Learning,IDSDL)算法。該算法構(gòu)建與正負(fù)樣本圖像塊對(duì)應(yīng)的判別性字典，并通過(guò)局部更新(Local Update, LU)機(jī)制實(shí)現(xiàn)對(duì)字典的在線(xiàn)逐列更新，這填補(bǔ)了通過(guò)稀疏表示構(gòu)建分類(lèi)模型的跟蹤方法未使用結(jié)構(gòu)化字典學(xué)習(xí)的空白。然后，本文采用學(xué)習(xí)后的字典以Elastic Net為正則項(xiàng)進(jìn)行稀疏表示，將表示系數(shù)作為特征通過(guò)K-組合投票(K-Combined Voting,KCV)方式進(jìn)行分類(lèi)器的訓(xùn)練與判決，選取置信度投票最

8、大值對(duì)應(yīng)的樣本作為當(dāng)前幀的跟蹤結(jié)果。上述過(guò)程隨著時(shí)間推移重復(fù)進(jìn)行，從而實(shí)現(xiàn)了字典的增量化更新和目標(biāo)的連續(xù)化跟蹤。該跟蹤方法在基準(zhǔn)集合進(jìn)行了測(cè)評(píng)實(shí)驗(yàn)，在其中14段序列實(shí)現(xiàn)了較為穩(wěn)定和魯棒的跟蹤，13段序列平均中心誤差在10像素以下，平均覆蓋率綜合達(dá)到了67.3%，其中3段測(cè)試序列對(duì)應(yīng)的平均中心誤差和平均覆蓋率在24種跟蹤方法測(cè)評(píng)對(duì)比中排名最優(yōu)。實(shí)驗(yàn)的主客觀(guān)分析結(jié)果表明，IDSDL-VT有效解決了論文所提生成性跟蹤方法的問(wèn)題；與經(jīng)典的在線(xiàn)目

9、標(biāo)跟蹤方法相比，在跟蹤精度和魯棒性方面均取得更為令人滿(mǎn)意的表現(xiàn)。
　　(3)為了解決本文所提判別性跟蹤方法存在的單次迭代字典學(xué)習(xí)效果差的問(wèn)題，同時(shí)提高其應(yīng)用普適性，結(jié)合在生成性和判別性跟蹤方法方面所取得的成果，本文提出了一種混合性在線(xiàn)跟蹤該方法：基于增量選擇性稀疏模型和殘差加權(quán)在線(xiàn)字典學(xué)習(xí)的在線(xiàn)跟蹤方法。該方法首先將選擇性稀疏模型、字典學(xué)習(xí)、分類(lèi)模型訓(xùn)練與更新進(jìn)行整合，構(gòu)建了混合增量稀疏模型(Hybrid Incremental

10、Sparse Model,HISM)，將目標(biāo)跟蹤處理流程切分為生成性建模和判別性建模兩部分。在生成性建模部分，采用基于稀疏表示的增量時(shí)空貢獻(xiàn)一致性排序(Sparsity-based Spatial-temporal Contribution Ranking, ISStCR)的方法，進(jìn)行關(guān)鍵塊的選取，用于代表目標(biāo)區(qū)域；構(gòu)建了基于幀間索引差的數(shù)值調(diào)整(Number Adjustment based on Inter-frame Indice

11、s Difference,NAIID)方法實(shí)現(xiàn)關(guān)鍵塊數(shù)量的自適應(yīng)調(diào)整。在判別性建模部分，采用了基于關(guān)鍵塊的字典學(xué)習(xí)和線(xiàn)性分類(lèi)器(組)相結(jié)合的方法對(duì)候選樣本進(jìn)行判定，構(gòu)建了殘差加權(quán)在線(xiàn)字典學(xué)習(xí)(Residue-weighted Online Dictionary Learning,RODL)與殘差加權(quán)增量判別性結(jié)構(gòu)化字典學(xué)習(xí)(Residue-weighted Incremental Discriminative Structured Di

12、ctionary Learning,RIDSDL)算法，并給出了兩種字典更新方式及其證明。與經(jīng)典的(在線(xiàn))字典學(xué)習(xí)和判別性字典學(xué)習(xí)方法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比標(biāo)明，新提出的加權(quán)在線(xiàn)字典學(xué)習(xí)方法，在迭代次數(shù)保持不變的情況下，進(jìn)一步提高訓(xùn)練信號(hào)的信噪比，對(duì)人臉?lè)诸?lèi)效果良好。該跟蹤方法在基準(zhǔn)集合進(jìn)行了測(cè)評(píng)實(shí)驗(yàn)，與前兩章跟蹤結(jié)果相比，全部序列實(shí)現(xiàn)了相對(duì)較為穩(wěn)定和魯棒的跟蹤，13段序列平均中心誤差在10像素以下，平均覆蓋率綜合達(dá)到了71.6%，其中1段