论文部分内容阅读
目标跟踪是计算机视觉领域中研究热点之一。在智能监控、人机交互、视频检索等领域中有着广泛的应用前景和商业价值。本文在理论上对目标跟踪的关键技术进行了研究，基于一种鲁棒的区域描述子提出了一些有效的算法；另一方面，针对特定的应用，本文从如何充分利用先验知识(目标的先验模型)的角度来研究如何提高实际应用中跟踪的鲁棒性。论文的主要贡献归纳如下：
1.提出一种基于协方差区域描述子的贝叶斯跟踪算法。协方差描述子可以融合多种底层视觉特征，该算法将协方差区域描述子融入到贝叶斯框架下，处理复杂背景下的目标跟踪问题。另一方面，协方差快速计算方法被扩展到贝叶斯跟踪框架下，提高了跟踪的效率。
2.提出了一种基于分块目标表示的黎曼流形上的贝叶斯跟踪算法。将目标的分块表示扩展到贝叶斯跟踪框架下，提高了跟踪的鲁棒性，特别是在处理目标部分遮挡情况下的鲁棒性。
3.提出了一种增量协方差张量学习算法，并用于目标跟踪中的模型更新。该算法采用增量的方式学习一个低维紧致协方差张量目标表示，可以快速有效的在线适应目标表观的变化。模型更新中采用了一种加权的策略，通过降低以前观测对模型的贡献、增加当前观测贡献来提高跟踪的鲁棒性。
4.提出了一种基于Boosted协作分布式粒子滤波的自动多目标跟踪算法，较好的解决了足球视频中球员问的遮挡问题。基于前景观测提出的势能函数，能有效对目标间的相互遮挡建模。在粒子滤波实现上，采用一种综合了动态模型和Boosting检测信息的混合模型作为建议分布，这不仅能够快速检测新球员而且也提高了跟踪性能。
5.提出了一种基于视觉的多视角说话人脸跟踪框架，并给出了一种用于影视剧分析的多视角说话人脸跟踪方法。该方法在人脸跟踪上后，通过人脸匹配实现嘴部配准，并利用一种归一化描述子刻画嘴部的变化，判别目标是否在说话。