论文部分内容阅读
视觉跟踪是目前智能化研究的一个重要课题。视觉跟踪可以应用到许多领域中,如自动驾驶、智能监控、人机交互等诸多应用中。视觉跟踪算法通常包含两个模型,即表观模型和运动模型。表观模型描述目标的表观信息,而运动模型定位目标的位置、运动状态等信息。自然场景下的视觉跟踪中跟踪目标的外观(如颜色、形状、姿态等)不可避免地会受到场景光照和目标自身形变的影响。表观模型的优劣直接影响跟踪算法的性能,是视觉跟踪算法研究的重点和难点。 针对视觉跟踪中目标的甄别容易因图像中的一些干扰因素(如光照)的影响而出现偏差的情况,提出了一种基于稀疏主成分分析的表观模型和基于子空间合并的模型更新策略。给定样本集合,稀疏主成分分析寻找投影向量尽可能地使样本集合在投影向量上的投影可区分,而且投影向量具有一定稀疏性。与传统的主成分分析方法相比,稀疏性约束因素可使得投影向量的非零元主要在显著性特征上,从而可去掉干扰因素的影响。所求解的投影向量更有利于对目标的判别。为适应跟踪过程中表观的不断变化,采用子空间合并方法,将当前所求解的稀疏主成分与已有的稀疏主成分子空间融合,实现了表观模型的自适应更新。实验表明,基于稀疏主成分分析的子空间表观模型能提高视觉跟踪算法的准确性。 视觉跟踪中目标处于一定的背景之下,目标周围的背景信息可辅助对目标进行甄别,为此提出了背景子空间模型构造方法和更新策略。通常目标周围采样得到的候选目标样本包含了部分目标像素和背景像素。通过对这些候选样本的分析可得到带干扰的背景子空间,采用子空间分离方法将目标表观模型子空间从带干扰的背景子空间中分离出来,可得到无干扰的背景子空间。采取增量自适应策略对背景子空间进行更新。实验表明,引入背景子空间模型能提高跟踪算法的鲁棒性。