第 1 章 緒 論

隨著計(jì)算機(jī)視覺(jué)的不斷發(fā)展以及社會(huì)需求的日益增加，越來(lái)越多的高校和研究機(jī)構(gòu)投入到目標(biāo)跟蹤技術(shù)的研究。目前，，在視覺(jué)目標(biāo)跟蹤領(lǐng)域，國(guó)外研究成果比較突出的有卡內(nèi)基梅隆大學(xué)、麻省理工學(xué)院和斯坦福大學(xué)等；國(guó)內(nèi)研究成果比較突出的有中國(guó)科學(xué)院、清華大學(xué)、中國(guó)科學(xué)技術(shù)大學(xué)、國(guó)防科學(xué)技術(shù)大學(xué)、上海交通大學(xué)和華中科技大學(xué)等。其他高校和科研機(jī)構(gòu)也為視覺(jué)目標(biāo)跟蹤技術(shù)的發(fā)展做出了一定貢獻(xiàn)，取得了一些研究成果。目前國(guó)內(nèi)外對(duì)目標(biāo)跟蹤所做的研究工作，主要集中在目標(biāo)檢測(cè)、目標(biāo)建模、目標(biāo)數(shù)據(jù)關(guān)聯(lián)等關(guān)鍵技術(shù)方面。如：美國(guó)包括卡內(nèi)基梅隆大學(xué)、麻省理工學(xué)院等十幾所高校開(kāi)發(fā)的 VSAM(Video surveillance and monitoring)項(xiàng)目[2]、劍橋大學(xué)開(kāi)發(fā)的用于手勢(shì)識(shí)別的 HTK(HMM tools kit)工具包、倫敦大學(xué)等六所大學(xué)共同開(kāi)發(fā)的ADVISOR項(xiàng)目[3]等。國(guó)內(nèi)的清華大學(xué)智能圖文信息處理研究室在文字識(shí)別、多模式生物特征身份認(rèn)證、視頻監(jiān)測(cè)與分析等領(lǐng)域都有所建樹(shù)；中國(guó)科學(xué)院計(jì)算所的視覺(jué)信息處理與學(xué)習(xí)研究中心在人臉識(shí)別與跟蹤、人體姿勢(shì)識(shí)別等方面有其獨(dú)到的研究成果；北京動(dòng)化研究所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室在計(jì)算機(jī)視覺(jué)方向上為開(kāi)發(fā)智能系統(tǒng)提供了關(guān)鍵技術(shù)；還有浙江大學(xué)、上海交通大學(xué)模式識(shí)別與計(jì)算機(jī)視覺(jué)實(shí)驗(yàn)室、微軟亞洲研究院視覺(jué)計(jì)算組、南京大學(xué)、華中科技大學(xué)等也都在視覺(jué)目標(biāo)跟蹤研究中投入了大量的精力，在智能監(jiān)控系統(tǒng)、虛擬現(xiàn)實(shí)和三維重建等領(lǐng)域都取得了顯著的科研成果。

.......

第 2 章 多特征融合目標(biāo)跟蹤框架的構(gòu)建

2.1 多特征目標(biāo)模型的建立

蒙特卡羅隨機(jī)模擬(Monte Carlo Stochastic Simulation)方法[150, 151]是一種采用抽樣統(tǒng)計(jì)近似求解數(shù)學(xué)、物理和工程問(wèn)題的方法。隨著計(jì)算機(jī)技術(shù)的發(fā)展，蒙特卡羅方法已經(jīng)成為一種非常有效的分析方法，許多經(jīng)典的數(shù)學(xué)問(wèn)題，如微分方程、積分方程、重積分和線性方程組的求解等都用到蒙特卡羅方法。蒙特卡羅隨機(jī)模擬的實(shí)質(zhì)是利用服從某種分布的隨機(jī)過(guò)程來(lái)模擬系統(tǒng)中可能出現(xiàn)的隨機(jī)現(xiàn)象，雖然每次模擬實(shí)驗(yàn)只能描述系統(tǒng)可能出現(xiàn)的一種情況，但在進(jìn)行大量的模擬實(shí)驗(yàn)后，根據(jù)大數(shù)定理和中心極限定理即可得出有價(jià)值的結(jié)論。

2.2 目標(biāo)跟蹤算法分析

視覺(jué)目標(biāo)跟蹤中濾波算法的目的，就是根據(jù)已有的信息從后續(xù)的圖像序列中，估計(jì)出系統(tǒng)中跟蹤目標(biāo)的當(dāng)前狀態(tài)。在估計(jì)理論中，濾波是指利用當(dāng)前和之前的觀測(cè)值來(lái)估計(jì)目標(biāo)的當(dāng)前狀態(tài)，隱馬爾科夫模型(Hidden Markov Model, HMM)將隱藏變量 以一種概率相關(guān) 的方式表現(xiàn)為系統(tǒng)觀測(cè)量 ，能夠很好的表示這種濾波數(shù)據(jù)序列。圖 2-4 給出了一階隱馬爾科夫模型，即每個(gè)時(shí)刻的觀測(cè)量?jī)H和該時(shí)刻的狀態(tài)相關(guān)，且獨(dú)立于之前的觀測(cè)量。

第 3 章 基于多特征自適應(yīng)融合的粒子濾波目標(biāo)跟蹤............ 44

3.1 基于粒子濾波的目標(biāo)跟蹤.......................... 44
3.2 多特征融合目標(biāo)模型描述....................................46
3.3 似然函數(shù)計(jì)算..........................46
3.4 自適應(yīng)多特征融合及權(quán)值計(jì)算....... 46
第 4 章 基于多特征自適應(yīng)融合的 Mean Shift 目標(biāo)跟蹤..........65
4.1 基于 Mean Shift 的目標(biāo)跟蹤算法................................65
4.2 Mean Shift 目標(biāo)跟蹤技術(shù)存在的問(wèn)題分析.......................66
4.3 多特征融合目標(biāo)模型描述和相似性度量.......................66
第 5 章 基于多特征自適應(yīng)融合的分塊目標(biāo)跟蹤................88
5.1 全局特征模型和局部特征模型存在的問(wèn)題分析..................88
5.2 局部敏感直方圖特征........... 89

第 5 章 基于多特征自適應(yīng)融合的分塊目標(biāo)跟蹤

5.1 全局特征模型和局部特征模型存在的問(wèn)題分析

無(wú)論是單特征目標(biāo)跟蹤還是多特征融合跟蹤，建立有效的目標(biāo)特征模型，是實(shí)現(xiàn)魯棒跟蹤的前提。基于全局特征的目標(biāo)模型是對(duì)目標(biāo)表觀整體進(jìn)行建模，對(duì)目標(biāo)局部變化比較敏感，容易受光照變化和遮擋的影響，并且，由于無(wú)法明確目標(biāo)模型何時(shí)更新以及哪部分需要更新，在目標(biāo)模型的更新過(guò)程中很容易引入背景像素，導(dǎo)致跟蹤漂移�；诜謮K劃分建立的局部特征模型將目標(biāo)整體劃分為若干個(gè)空間結(jié)構(gòu)化的子塊集合，通過(guò)度量不同子塊的匹配程度實(shí)現(xiàn)對(duì)整個(gè)目標(biāo)的跟蹤，由于在子塊內(nèi)部，圖像模式的不變性較強(qiáng)，這類算法對(duì)于目標(biāo)形變和遮擋具有更強(qiáng)的適應(yīng)性。現(xiàn)有基于分塊劃分的目標(biāo)跟蹤算法存在的主要問(wèn)題是：分塊策略通常采用固定數(shù)量和大小的均勻矩形分塊對(duì)目標(biāo)模型進(jìn)行分割，未考慮各子塊的局部差異性和多樣性，當(dāng)目標(biāo)模型特征分布均勻時(shí)，各子塊之間容易產(chǎn)生信息冗余，當(dāng)目標(biāo)模型特征分布復(fù)雜時(shí)，又無(wú)法適應(yīng)目標(biāo)模型的多變性。

5.2 局部敏感直方圖特征

最簡(jiǎn)單的目標(biāo)分塊方法就是根據(jù)初始跟蹤框的形狀和大小按比例均勻分塊。對(duì)常用的矩形跟蹤區(qū)域，一般在垂直和水平方向?qū)⒕匦螀^(qū)域分割成均勻的 4 個(gè)小分塊，每個(gè)垂直塊的高度和寬度分別為目標(biāo)區(qū)域高度和寬度的一半。更普遍的多區(qū)域分塊方法是將目標(biāo)一次性均勻劃分為多個(gè)等比例的區(qū)域，每個(gè)子塊的位置和形狀在目標(biāo)區(qū)域內(nèi)是固定的，方便在后續(xù)幀中的搜索區(qū)域中進(jìn)行指定塊和塊之間的匹配定位。圖 5-2 給出了一個(gè)按比例均勻分塊的多區(qū)域目標(biāo)分塊示意圖，圖中(a)將矩形目標(biāo)區(qū)域分成了 2*2 的子塊，(b)將矩形目標(biāo)區(qū)域分成 10*2 的子塊。
.......

結(jié) 論

視覺(jué)目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域的熱點(diǎn)問(wèn)題。能夠?qū)崟r(shí)的對(duì)視覺(jué)目標(biāo)進(jìn)行精確、魯棒的跟蹤，是所有研究者共同追求的目標(biāo)，雖然國(guó)內(nèi)外研究學(xué)者對(duì)視覺(jué)目標(biāo)跟蹤進(jìn)行了深入廣泛的研究，并取得了很多重要研究成果，但正如本文第一章所介紹的，由于受相似背景、光照變化、目標(biāo)形變、遮擋等因素的影響，要實(shí)現(xiàn)上述目標(biāo)還存在一些值得深入研究的問(wèn)題。本文以提高目標(biāo)跟蹤的魯棒性為主要目標(biāo)，以現(xiàn)有的經(jīng)典目標(biāo)跟蹤算法為框架，對(duì)基于多特征融合的目標(biāo)跟蹤相關(guān)問(wèn)題進(jìn)行了深入研究，主要研究成果有：1．提出了基于多特征融合目標(biāo)跟蹤框架的構(gòu)建方案，建立了基于多特征融合目標(biāo)跟蹤的總體框架；通過(guò)對(duì)目標(biāo)狀態(tài)進(jìn)行劃分，提出了處理多特征融合目標(biāo)跟蹤問(wèn)題的一般方法和通用模型；通過(guò)引入特征描述能力度量函數(shù)，提出了基于特征描述能力度量的多特征融合策略，為實(shí)現(xiàn)不同跟蹤算法框架下的多特征融合目標(biāo)跟蹤提供了解決方法和理論支持。

.......

參考文獻(xiàn)（略）

本文編號(hào)：150058