论文部分内容阅读
目标跟踪技术一直以来都是计算机视觉、图像处理领域的研究热点,其在国防侦察、安防监控、智能控制等领域具有重要应用价值,是武器装备、监控设备等的核心技术之一。数十年来,国内外一直有大量学者从事目标跟踪算法方面的研究,但是由于跟踪过程中所观测的目标信息的多变性、目标的机动性以及背景的复杂性、自身或背景遮挡等原因,目标跟踪仍然是一个非常具有挑战性的问题。近年来,将机器学习理论应用到目标的跟踪、识别问题是一个研究热点,与传统跟踪的目标匹配不同,运用机器学习理论进行目标跟踪是将目标跟踪问题转换成目标分类问题,即用算法将视场中的目标和背景分类,分类结果置信度最大的目标所在的位置就是目标位置。机器学习的一大特点就是学习,即让计算机有人一样的“学习”能力,可以通过学习被跟踪目标的不同变化,如位置变化、姿态变化和相似干扰等,及时调整跟踪器的状态,适用于多种复杂的目标跟踪问题。本文从三个方面对基于机器学习的目标跟踪算法进行了较为深入的研究,主要创新工作及研究成果如下:1.针对传统相关跟踪算法实时性不好、不能适应目标变化的问题,提出一种自适应相关滤波目标跟踪算法,采用相关滤波的方式进行目标跟踪,通过在线训练滤波器模板,使跟踪能够适应目标的变化;用余弦窗函数对图像块进行加权,使图像中目标区域的目标比周边的背景有更大的权值,而且保证了对图像块做周期延拓时图像边缘的连续性;根据循环矩阵的性质对图像在频域做卷积,得到滤波响应的频域值,逆傅里叶变换得到空域响应值,根据最大响应值的位置确定目标位置,实现目标的实时跟踪。实验结果表明,此算法具有良好的匹配精度和很好实时性,对跟踪过程中目标姿态的渐变和相似物的干扰具有良好的适应能力。2.研究了多示例学习目标跟踪算法,为提高在线多示例学习跟踪算法的跟踪正确率和实时性,提出了一种加权在线多示例学习跟踪算法。首先,根据所选定目标位置分别采集目标和背景样本集,并对样本与目标的相似程度对样本赋权值,通过对所采集的样本集的特征的在线学习生成弱分类器集;然后,用计算样本集对数似然函数的最大值的方法从弱分类器集中选择K个最优的弱分类器,根据弱分类器分类效果给每个弱分类器赋不同的权值,生成一个强分类器;最后,在新的一帧中抽取目标和背景样本,用生成的强分类器对待分类的目标和背景进行分类,分类结果映射成一个概率值,概率最大样本的位置就是所要跟踪目标的位置。实验结果表明,该算法能稳定地跟踪目标,较好地应对相似物的干扰问题,并且比经典多示例学习跟踪算法有更好地实时性。3.为提高在线学习目标跟踪的实时性和准确率,结合压缩感知理论,提出一种基于距离度量学习的目标跟踪算法。首先,根据所选定的目标位置分别提取目标和背景样本集,运用随机投影理论对样本的Haar-like特征进行压缩;然后,用压缩后的低维特征向量集来训练度量矩阵;最后,在新的一帧中抽取目标和背景的样本,用训练得到的度量矩阵计算已知目标和样本间的Mahalanobis距离,距离最小的样本的位置就是所要跟踪的目标的位置。对不同视频序列的测试结果表明,用压缩特征表示目标,使特征计算的计算量压缩到原来的1/4,减少了特征计算的时间;用训练后的度量矩阵计算目标位置,即跟踪器能够根据目标的不断变化自适应的调整参数,提高了跟踪的准确率。