基于低秩矩陣表示的視覺跟蹤方法.pdf

1、視覺目標(biāo)跟蹤作為計算機視覺的重要研究課題，具有十分重要的科研價值。而其又作為智能監(jiān)控、運動識別、人機交互等智能化得以實施的基礎(chǔ)性技術(shù)，在實際應(yīng)用上也具有非凡的意義。但受光照變化、局部遮擋以及目標(biāo)形變等因素影響，視覺目標(biāo)跟蹤在實際場景下的效果往往差強人意，從而影響了之后動作識別等更高級任務(wù)的實際應(yīng)用，阻礙了社會智能化的進一步推進。本文為了提高視覺目標(biāo)跟蹤算法針對各類場景的魯棒性，對視覺目標(biāo)跟蹤算法進行了梳理與分析，并針對基于低秩矩陣表示的

2、視覺目標(biāo)跟蹤算法存在的缺陷，做出了以下三點改進：
　?。?）對算法中的目標(biāo)特征描述模塊進行了擴充。針對低秩矩陣表示的目標(biāo)描述方法對遮擋目標(biāo)描述不佳的問題，在使用全局低秩矩陣對目標(biāo)進行全局描述的基礎(chǔ)上加入了基于局部低秩矩陣表示的目標(biāo)細描述，通過局部系數(shù)特征的引入，增強目標(biāo)描述方法在遮擋等挑戰(zhàn)場景下的穩(wěn)定性。而為了進一步地抑制視覺目標(biāo)跟蹤過程中漂移現(xiàn)象的出現(xiàn)，在全局字典中加入了背景模板，通過對目標(biāo)模板和背景模板系數(shù)的不同處理，增強目標(biāo)

3、特征描述模塊輸出特征的可靠性。而對于低秩矩陣表示等模板類描述方法中可能出現(xiàn)的異常值現(xiàn)象，嘗試引入了最大池化特征來對系數(shù)矩陣進行修正，并得到不錯的效果。
　?。?）對目標(biāo)狀態(tài)估計模塊的粒子權(quán)重計算規(guī)則進行了重新定義。針對現(xiàn)有算法粒子權(quán)重計算規(guī)則過于簡單不夠穩(wěn)定的缺陷，將粒子的權(quán)重細分為了全局權(quán)重和局部權(quán)重，通過分別度量粒子與目標(biāo)的全局相似性和局部相似性，實現(xiàn)對粒子與目標(biāo)相似性的綜合判定，從而提高粒子權(quán)重的可信度。而針對粒子權(quán)重計算受

4、目標(biāo)遮擋情況影響較大的難題，在局部權(quán)重的計算中加入了局部塊篩選機制，通過將發(fā)生遮擋的局部塊排除出局部權(quán)重的計算考量范圍，降低遮擋情況對粒子與目標(biāo)相似性度量的影響。
　?。?）對模型參數(shù)更新模塊中的字典更新策略進行了改進。通過對不同時間的目標(biāo)模板以不同的概率進行替換更新，降低了較早時間目標(biāo)模板被替換的概率，從而在保證字典中信息貼近目標(biāo)最新狀態(tài)的同時，提高了字典中目標(biāo)信息的準(zhǔn)確性。而為了避免字典中遮擋物信息的引入，在字典更新策略中加入