目标跟踪系统中的鲁棒性研究

作者:姚志均 刊名: 上传者:杨民青

【摘要】随着计算机科学、电子技术、人工智能等的发展与普及,目标跟踪技术已广泛地应用到民用和军事上,如一些重要场所的视频监控系统、自主导航、智能交通监控系统、人机交互系统、视频压缩等。近年来,大量研究人员对目标跟踪进行了广泛、深入的研究,并针对各种应用环境提出了有效的视频目标跟踪算法。然而,由于目标跟踪系统相当复杂,故研究具有鲁棒性强、实用性好的目标跟踪算法仍然是计算机视觉领域的研究热点之一。 本文对目标跟踪系统中的目标特征选择、目标表示模型、相似性度量、目标定位算法这四个方面开展了深入研究,提出了一些新方法。论文的主要研究内容和成果概括如下: 1.当背景与目标的颜色分布比较相似时,CAMSHIFT目标跟踪算法就不能成功跟踪目标,为此,本文提出了一种基于自适应高斯混合模型的目标稳定分布提取算法。该算法首先用一种快速有效的自适应高斯混合模型建模方法对目标和背景建模,用改进的巴氏距离评估目标模型中所有高斯单元的区分能力,选择出具有较高区分能力的高斯单元,并由它们生成目标的稳定分布。实验结果表明该算法能够成功提取目标的稳定分布,并能找到目标中的稳定部分,将目标稳定分布应用到CAMSHIFT算法后能成功跟踪目标,从而提高了目标跟踪性能。 2.现有的基于距离度量的目标特征选择方法大多只适合度量两个单峰分布之间的距离,而实际上目标和背景分布往往是呈多峰分布的,为此,本文提出了一种基于改进的巴氏距离的目标特征选择方法。对于每一个特征,用高斯混合模型对目标和背景建模,然后用改进的巴氏距离评估目标模型中每个高斯单元的区分能力,累加之和作为该特征的区分能力,并以此作为特征选择的依据。静态图像上的主观实验结果表明本文提出的度量方法能有效地度量两个多峰分布之间的距离,能够选择出具有高区分能力的特征,用这些高区分能力的特征做目标跟踪,显著提高了目标跟踪的稳定性。 3.针对传统的基于EM算法的高斯混合模型建模耗时太大问题,提出了一种在灰度和像素坐标的联合空间进行快速高斯混合建模的方法,并利用积分图像加快候选模型参数计算速度。同时,本文还提出了一种基于近似对称KL距离的度量方法来计算目标高斯混合模型与候选目标高斯混合模型之间的相似度。实验结果表明本文提出的建模方法可以大幅减少目标建模时间和候选模型参数估计时间,本文提出的度量方法具有较强的区分能力且稳定,显著地提升了目标跟踪性能。 4.现有空间直方图相似性度量方法要么不稳定,要么区分能力不够强,为此,本文提出了两种新的空间直方图相似性度量方法:一种是基于对称KL距离的度量方法,一种是基于改进JSD距离的度量方法。前者利用了对称KL距离具有较强的区分能力,后者是通过合理利用高斯的权重来加强JSD距离度量方法的区分能力。理论和实验证明了本文提出的两种度量方法既稳定,又具有较强的区分能力,优于现有的度量方法,目标跟踪性能得到了大幅度的提升。

参考文献

引证文献

问答

我要提问