第 1 章 緒 論

隨著計算機視覺的不斷發(fā)展以及社會需求的日益增加，越來越多的高校和研究機構(gòu)投入到目標跟蹤技術(shù)的研究。目前，，在視覺目標跟蹤領(lǐng)域，國外研究成果比較突出的有卡內(nèi)基梅隆大學、麻省理工學院和斯坦福大學等；國內(nèi)研究成果比較突出的有中國科學院、清華大學、中國科學技術(shù)大學、國防科學技術(shù)大學、上海交通大學和華中科技大學等。其他高校和科研機構(gòu)也為視覺目標跟蹤技術(shù)的發(fā)展做出了一定貢獻，取得了一些研究成果。目前國內(nèi)外對目標跟蹤所做的研究工作，主要集中在目標檢測、目標建模、目標數(shù)據(jù)關(guān)聯(lián)等關(guān)鍵技術(shù)方面。如：美國包括卡內(nèi)基梅隆大學、麻省理工學院等十幾所高校開發(fā)的 VSAM(Video surveillance and monitoring)項目[2]、劍橋大學開發(fā)的用于手勢識別的 HTK(HMM tools kit)工具包、倫敦大學等六所大學共同開發(fā)的ADVISOR項目[3]等。國內(nèi)的清華大學智能圖文信息處理研究室在文字識別、多模式生物特征身份認證、視頻監(jiān)測與分析等領(lǐng)域都有所建樹；中國科學院計算所的視覺信息處理與學習研究中心在人臉識別與跟蹤、人體姿勢識別等方面有其獨到的研究成果；北京動化研究所模式識別國家重點實驗室在計算機視覺方向上為開發(fā)智能系統(tǒng)提供了關(guān)鍵技術(shù)；還有浙江大學、上海交通大學模式識別與計算機視覺實驗室、微軟亞洲研究院視覺計算組、南京大學、華中科技大學等也都在視覺目標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 多特征融合目標跟蹤框架的構(gòu)建

2.1 多特征目標模型的建立

蒙特卡羅隨機模擬(Monte Carlo Stochastic Simulation)方法[150, 151]是一種采用抽樣統(tǒng)計近似求解數(shù)學、物理和工程問題的方法。隨著計算機技術(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)學問題，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。蒙特卡羅隨機模擬的實質(zhì)是利用服從某種分布的隨機過程來模擬系統(tǒng)中可能出現(xiàn)的隨機現(xiàn)象，雖然每次模擬實驗只能描述系統(tǒng)可能出現(xiàn)的一種情況，但在進行大量的模擬實驗后，根據(jù)大數(shù)定理和中心極限定理即可得出有價值的結(jié)論。

2.2 目標跟蹤算法分析

視覺目標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，估計出系統(tǒng)中跟蹤目標的當前狀態(tài)。在估計理論中，濾波是指利用當前和之前的觀測值來估計目標的當前狀態(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，即每個時刻的觀測量僅和該時刻的狀態(tài)相關(guān)，且獨立于之前的觀測量。

第 3 章 基于多特征自適應融合的粒子濾波目標跟蹤............ 44

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

第 5 章 基于多特征自適應融合的分塊目標跟蹤

5.1 全局特征模型和局部特征模型存在的問題分析

無論是單特征目標跟蹤還是多特征融合跟蹤，建立有效的目標特征模型，是實現(xiàn)魯棒跟蹤的前提�；谌痔卣鞯哪繕四Ｐ褪菍δ繕吮碛^整體進行建模，對目標局部變化比較敏感，容易受光照變化和遮擋的影響，并且，由于無法明確目標模型何時更新以及哪部分需要更新，在目標模型的更新過程中很容易引入背景像素，導致跟蹤漂移�；诜謮K劃分建立的局部特征模型將目標整體劃分為若干個空間結(jié)構(gòu)化的子塊集合，通過度量不同子塊的匹配程度實現(xiàn)對整個目標的跟蹤，由于在子塊內(nèi)部，圖像模式的不變性較強，這類算法對于目標形變和遮擋具有更強的適應性�，F(xiàn)有基于分塊劃分的目標跟蹤算法存在的主要問題是：分塊策略通常采用固定數(shù)量和大小的均勻矩形分塊對目標模型進行分割，未考慮各子塊的局部差異性和多樣性，當目標模型特征分布均勻時，各子塊之間容易產(chǎn)生信息冗余，當目標模型特征分布復雜時，又無法適應目標模型的多變性。

5.2 局部敏感直方圖特征

最簡單的目標分塊方法就是根據(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 個小分塊，每個垂直塊的高度和寬度分別為目標區(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一次性均勻劃分為多個等比例的區(qū)域，每個子塊的位置和形狀在目標區(qū)域內(nèi)是固定的，方便在后續(xù)幀中的搜索區(qū)域中進行指定塊和塊之間的匹配定位。圖 5-2 給出了一個按比例均勻分塊的多區(qū)域目標分塊示意圖，圖中(a)將矩形目標區(qū)域分成了 2*2 的子塊，(b)將矩形目標區(qū)域分成 10*2 的子塊。
.......

結(jié) 論

視覺目標跟蹤是計算機視覺和模式識別領(lǐng)域的熱點問題。能夠?qū)崟r的對視覺目標進行精確、魯棒的跟蹤，是所有研究者共同追求的目標，雖然國內(nèi)外研究學者對視覺目標跟蹤進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、目標形變、遮擋等因素的影響，要實現(xiàn)上述目標還存在一些值得深入研究的問題。本文以提高目標跟蹤的魯棒性為主要目標，以現(xiàn)有的經(jīng)典目標跟蹤算法為框架，對基于多特征融合的目標跟蹤相關(guān)問題進行了深入研究，主要研究成果有：1．提出了基于多特征融合目標跟蹤框架的構(gòu)建方案，建立了基于多特征融合目標跟蹤的總體框架；通過對目標狀態(tài)進行劃分，提出了處理多特征融合目標跟蹤問題的一般方法和通用模型；通過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，為實現(xiàn)不同跟蹤算法框架下的多特征融合目標跟蹤提供了解決方法和理論支持。

.......

參考文獻（略）

本文編號：150058