论文部分内容阅读
目标跟踪是计算机视觉领域的前沿热点问题,在视频监控,人机交互和医学成像等领域具有广泛的应用前景。尽管目标跟踪已研究多年,相关原理算法已有大量报导,但是由于光照,遮挡,背景复杂多变以及目标外观和尺度变化等因素影响,复杂动态场景下的目标鲁棒跟踪仍是机器视觉领域有待解决的难题。基于在线学习的目标跟踪算法由于具有良好的自适应性,在目标跟踪领域得到成功的应用,已经成为该领域的一种主流技术,其中最出名的工作是在线boosting目标跟踪算法,但是目前该算法主要面临的问题是容易出现目标的“漂移”丢失和如何自适应目标尺度的变化,为解决上述问题,本文基于在线boosting目标跟踪模型,通过引入半监督学习策略和尺度自适应算子对目标跟踪算法进行改进展开了研究,主要工作如下:(1)通过引入半监督学习策略,详细介绍了半监督学习在线boosting跟踪方法的步骤以及在解决“漂移”问题方面的优势。其次,为了解决在跟踪过程中目标尺寸变化的问题,重点研究了两种能够自适应调整跟踪窗大小的在线鲁棒目标跟踪算法。(2)提出一种基于图像视觉信息量的跟踪窗口自适应调整的目标跟踪方法。基于信息量的在线鲁棒目标跟踪算法利用了不同尺度空间下图像信息量的变化规律,通过能够反映信息量变化的图像跟踪区域的关键特征点如:边缘、角点、极大值点和极小值点等的数目来评价区域内信息量的变化,从而实现跟踪窗口的自适应调整;同时通过与半监督在线boosting学习算法结合,很好地解决了跟踪过程中因为漂移造成的目标丢失问题。(3)提出一种基于权重图像的尺度自适应在线鲁棒目标跟踪方法。通过统计目标灰度或颜色直方图特征统计特征构建权重图像,通过对权重图像的矩特征分析,可以实现对目标尺度的自适应调整;同时算法结合标记样本训练的预分类器pH和N个融合非标记样本训练的boosting个体分类器,1,...,nH n?N,使得跟踪算法不仅继承了在线学习目标跟踪算法对外观、照明和背景的良好适应性优点,同时表现出良好的鲁棒性。