基于壓縮感知單目標(biāo)多尺度跟蹤算法研究.pdf

1、視頻跟蹤在視頻監(jiān)控、人機交互、交通監(jiān)控等領(lǐng)域有著重要的應(yīng)用，雖然在這些方面已經(jīng)取得了一些成功，但是由于受到光照變化，目標(biāo)形變以及突然加速等因素的干擾，建立一個穩(wěn)定、高效的跟蹤系統(tǒng)仍非常具有挑戰(zhàn)性。本文提出了兩種魯棒實時的跟蹤算法，用于解決跟蹤過程中遇到的干擾。
　　基于預(yù)測的多尺度壓縮跟蹤算法。在基于檢測的跟蹤算法中，目標(biāo)表示是通過提取目標(biāo)特征來構(gòu)建表觀模型實現(xiàn)的。而為了減少計算量，提高實時性，傳統(tǒng)的方法，有的是構(gòu)建子空間模型來表

2、示目標(biāo)，有的是利用增量子空間模型表示目標(biāo)來適應(yīng)目標(biāo)外觀的變化，有的通過支持向量機(SVM)來提高判別特征的選擇。但是，這些跟蹤算法的計算量普遍較大，難以達(dá)到實時性的要求，不能滿足實際應(yīng)用的需要。為了降低算法的計算量，本文提出了基于預(yù)測的多尺度壓縮跟蹤算法。該算法在預(yù)測的目標(biāo)位置附近抽取正樣本，在遠(yuǎn)離預(yù)測的位置附近抽取負(fù)樣本，然后與多尺度方框濾波器進行卷積得到目標(biāo)的多尺度特征向量。由于預(yù)測的位置與目標(biāo)的實際位置比較接近，所以，在搜索目標(biāo)特

3、征時，所采用的搜索半徑就不需要太大，有效的減少了計算量。但是，由于構(gòu)建的多尺度高維特征向量的維數(shù)比較大，跟蹤過程中仍然需要大量的計算，利用壓縮感知技術(shù)降低特征向量的維數(shù)，減少跟蹤過程中的計算量，并且降維后的特征基本保留了原始特征向量的大部分信息。在壓縮感知后的壓縮域內(nèi)，利用樸素貝葉斯分類器對特征進行分類，把分類分?jǐn)?shù)最大的特征位置，作為目標(biāo)的跟蹤位置。
　　基于顏色修正的多尺度壓縮跟蹤算法。在基于檢測的壓縮跟蹤算法(CT)及其改進算

4、法雖然實現(xiàn)了實時性，但由于提取的跟蹤目標(biāo)特征比較單一，只提取了跟蹤對象的灰度haar.like特征，造成了構(gòu)建的表觀模型在跟蹤時的魯棒性比較差。所以，本文提出了基于顏色修正的多尺度壓縮跟蹤算法，在原有的算法基礎(chǔ)上，融合了目標(biāo)的顏色信息，并且結(jié)合粒子濾波框架，實現(xiàn)了算法的多尺度跟蹤。在分類器更新方式上也做了改進，使用雙S形曲線，對分類器參數(shù)實現(xiàn)了自適應(yīng)更新，更好的抑制噪聲的干擾和錯誤的分類造成的跟蹤失敗。
　　論文的實驗是在Wind

5、owS7平臺，采用MATLAB2014a進行編程實現(xiàn)的。在實驗中，用于檢測的測試序列來自于benchmark檢測標(biāo)準(zhǔn)庫提供。進行對比的算法代碼有作者提供，參數(shù)設(shè)置均采用默認(rèn)設(shè)置。通過實驗驗證，表明基于預(yù)測的多尺度壓縮跟蹤算法能夠在光照變化、形變、遮擋、背景雜亂等情況下具有比較好的魯棒性，相對于CT、FCT、MSCT基于壓縮感知的跟蹤算法，速度更快，魯棒性更好；基于顏色修正的多尺度壓縮跟蹤算法，在復(fù)雜場景中，對于目標(biāo)跟蹤過程中發(fā)生的形變，