论文部分内容阅读
目标跟踪作为计算机视觉领域的研究热点之一，在智能监控、无人驾驶、人机交互与增强现实等领域具有广泛的应用。经过十几年的研究，目标跟踪技术已经取得了长足的进展。然而由于光照变化、严重遮挡、背景杂乱与大幅形变等干扰因素的存在，使得复杂场景中的鲁棒目标跟踪仍是一项极具挑战性的任务。近年来，RGB-D传感器技术快速发展，其采集数据中蕴含的三维信息能够显著降低传统彩色图像信息的歧义性。本文利用RGB-D数据克服传统跟踪算法的局限性，针对基于RGB-D数据的目标跟踪算法进行研究。 目标跟踪算法由四个基本单元构成:表示模型、模型更新、目标搜索与误差估计。表示模型单元用于描述被跟踪目标，模型更新单元用于对表示模型更新，目标搜索单元用于搜索表示模型的最匹配目标，误差估计单元用于评价搜索结果的有效性。在跟踪过程中，以上四个单元紧密关联、协同工作。本文的RGB-D目标跟踪方法研究围绕以上四个单元依次进行，并在最具影响力的大型RGB-D目标跟踪公开数据集Princeton Tracking Benchmark中对算法的有效性进行深入地验证与分析。论文的主要工作和贡献如下: (1)提出了一种基于检测-学习-分割的RGB-D目标跟踪算法，以解决目标跟踪中的误差估计问题。该算法将目标跟踪分解为检测、学习、分割三个部分:检测器利用基于核化相关滤波器的二维表观模型定位目标;分割器利用基于自适应深度直方图的三维分布模型定位目标;学习器利用潜在失败与遮挡干扰项判别来估计检测器与分割器的定位误差，并在线更新目标模型。实验结果证明了算法创新点的有效性，其性能优于其他代表性RGB-D目标跟踪算法。 (2)提出了一种基于认知心理学记忆模型的RGB-D目标跟踪算法，以解决目标跟踪中的模型更新问题。该算法将人类认知心理学记忆机制迁移到模型更新中，将表示模型分解为感觉记忆模型、短时记忆模型与长时记忆模型:感觉记忆模型通过立体感知与注意机制获取场景信息;短时记忆模型具有高度可塑性，利用记忆复述机制在线更新;长时记忆模型具有高度稳定性，利用记忆编码与检索机制在线更新。在跟踪过程中，上述模型根据目标的表观变化情况协同更新，解决了模型更新中的稳定性-可塑性困境。实验结果证明了算法创新点的有效性，其性能优于其他代表性RGB-D目标跟踪算法。 (3)提出了一种基于三维多跟踪器融合的RGB-D目标跟踪算法，以解决目标跟踪中的表示模型构建问题。该算法利用能量函数最优化将多个具有单一表示模型的基础跟踪器在三维空间中进行融合，通过对融合结果的三维立方体吸引性与三维轨迹平滑性进行度量，以在不同场景中分别发挥不同模型的优势。同时设计了三个具有差异化表示模型的基础跟踪器，以在融合机制中产生互补的跟踪效果。实验结果证明了算法创新点的有效性，其性能优于其他代表性RGB-D目标跟踪算法。 (4)提出了一种基于三维相似物判别的RGB-D目标跟踪算法，以解决目标跟踪中的目标搜索问题。该算法将目标跟踪中基于目标-背景判别的搜索定位转化为更精细的基于目标-相似物判别的搜索定位。首先利用三维相似物采样方法快速获取候选样本，在采样过程中滤除表观相似干扰。然后利用三维相似物判别方法对候选样本进行目标-相似物分类，在保证场景信息得到充分利用的前提下滤除背景干扰。算法中的三维相似物度量标准与三维判别模型在线更新，以保证算法对目标变化的适应能力。实验结果证明了算法创新点的有效性，其性能优于其他代表性RGB-D目标跟踪算法。 (5)提出了一个基于RGB-D数据的机器人目标跟踪系统，并对其中的RGB-D目标跟踪、目标跟踪控制两个关键问题进行研究。提出了一种基于环境上下文信息的RGB-D在线目标再识别算法。该算法根据环境上下文的实时判别性对目标子模型的权重在线自适应调整，以保证其在不同场景中的有效性。提出了一种基于端到端高斯过程回归学习的目标跟踪控制算法。该算法利用非参数机器学习方法对人类目标跟踪控制规律进行端到端的学习，使机器人获得仿人的智能化目标跟踪控制方式。所提算法均在真实机器人目标跟踪系统中实现，其鲁棒性与有效性在不同的实际应用场景中得到了验证。