【摘要】：視頻目標(biāo)跟蹤技術(shù)是數(shù)字圖像處理、人工智能等多學(xué)科研究的熱點之一,其廣泛地應(yīng)用于智能交通、視頻監(jiān)控、人機交互和航空偵察等方面。盡管在目標(biāo)跟蹤領(lǐng)域已經(jīng)有不少跟蹤算法在一定程度上取得了良好的效果,但由于受到復(fù)雜背景、目標(biāo)遮擋、背景光照突變、運動模糊以及跟蹤場景雜亂等因素的影響,設(shè)計一個魯棒而高效的目標(biāo)跟蹤算法仍是一項具有挑戰(zhàn)性的任務(wù)。本文研究了視頻目標(biāo)跟蹤中的一些關(guān)鍵問題,從目標(biāo)觀測模型的設(shè)計出發(fā),取得以下幾方面創(chuàng)新性成果:1.提出了一種魯棒的廣義雙向稀疏表示跟蹤算法(Bidirectional Sparse Representation Tracker,BSRT)。目前已有的稀疏表示跟蹤算法,常見為在目標(biāo)模板空間上重構(gòu)候選樣本的正向模型,或者在候選樣本集上描述目標(biāo)模板的反向模型,兩者均需計算模板集與候選樣本集之間的稀疏相關(guān)系數(shù)矩陣�；诖�,本文利用L2范數(shù)約束正反向稀疏相關(guān)系數(shù)矩陣達到一致收斂。在正反向聯(lián)合稀疏求解下,BSRT算法可以更加充分地挖掘所有候選樣本集與模板集之間的稀疏映射關(guān)系,從而獲得更魯棒的跟蹤結(jié)果。此外為了提高算法執(zhí)行效率,本文采用加速逼近梯度數(shù)值解法以矩陣形式推導(dǎo)了BSRT算法的求解框架。矩陣求解表達式使得BSRT算法可以對多個候選樣本或模板并行進行稀疏求解,在一定程度上提高了算法的計算效率。實驗結(jié)果表明,本文提出的BSRT算法比傳統(tǒng)的單向稀疏跟蹤算法具有更好的魯棒性。2.提出了一種基于極限學(xué)習(xí)機的高效判決式目標(biāo)跟蹤算法(Extreme Learning Machine Traker,ELMT)。該判決式跟蹤算法充分利用了極限學(xué)習(xí)機(Extreme Learning Machine,ELM)在分類學(xué)習(xí)訓(xùn)練方面的顯著優(yōu)勢,快速有效地將跟蹤目標(biāo)從背景內(nèi)容中區(qū)分開來。為了利用目標(biāo)信息在時間和空間上的相關(guān)性,ELM分類訓(xùn)練需要滿足兩個約束條件:(i)成對度量約束,即要求在訓(xùn)練過程中前后幀目標(biāo)訓(xùn)練樣本之間的ELM分類輸出要一致收斂,同時需要當(dāng)前幀目標(biāo)與背景樣本之間的ELM分類輸出不一致。(ii)時間平滑約束,指的是ELM分類網(wǎng)絡(luò)在前后更新中網(wǎng)絡(luò)結(jié)構(gòu)不能有突變。最后,推導(dǎo)了ELMT算法的在線更新表達式,進一步提高了該算法的在線適應(yīng)能力。實驗結(jié)果及討論,驗證了ELMT跟蹤算法可以很好地平衡跟蹤精度和跟蹤效率。3.提出了一種聯(lián)合流形學(xué)習(xí)約束稀疏表示和ELM分類判決的目標(biāo)跟蹤算法。該算法充分結(jié)合兩類跟蹤框架的各自優(yōu)勢,實現(xiàn)了一種由粗到細(xì)的跟蹤過程。具體而言,該算法首先采用本文提出的ELMT跟蹤算法建立粗觀測模型,將大部分背景樣本篩除,僅保留少部分與目標(biāo)狀態(tài)相關(guān)的候選樣本。這樣可以減少背景內(nèi)容對后續(xù)跟蹤過程帶來的干擾和計算負(fù)擔(dān)。接著,本文利用一種基于流形學(xué)習(xí)約束的稀疏表示跟蹤算法作為細(xì)觀測模型。細(xì)觀測模型對保留的候選樣本進行稀疏重構(gòu),從目標(biāo)外觀建模角度以較高的精度確定目標(biāo)。這里,本文利用ELM分類學(xué)習(xí)結(jié)果構(gòu)造細(xì)觀測模型中的流形學(xué)習(xí)約束項,可實現(xiàn)ELM分類學(xué)習(xí)和稀疏表示的有機結(jié)合。另外在特征提取環(huán)節(jié)中,該跟蹤算法應(yīng)用了一種新穎的特征提取框架:ELM稀疏自編碼器,可以簡單而有效地獲取輸入圖像樣本的緊致而具有區(qū)分性的特征描述,進一步提高了跟蹤算法的性能。實驗結(jié)果與討論,表明了上述跟蹤算法可以充分結(jié)合ELM分類學(xué)習(xí)和稀疏表示的各自優(yōu)勢,取得了比單類跟蹤算法更好的跟蹤結(jié)果。
[Abstract]:......
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【參考文獻】

相關(guān)期刊論文 前2條

1 DENG ChenWei;HUANG GuangBin;XU Jia;TANG JieXiong;;Extreme learning machines: new trends and applications[J];Science China(Information Sciences);2015年02期

2 吳剛;唐振民;程勇;朱峰;魏利華;;灰度共生矩陣紋理特征的運動目標(biāo)跟蹤方法[J];南京理工大學(xué)學(xué)報(自然科學(xué)版);2010年04期

，

本文編號：2277518