復雜場景下基于局部分塊和上下文信息的單視覺目標跟蹤.pdf

1、視覺目標跟蹤是計算機視覺中最為重要的研究內容之一，并在視頻監(jiān)控、人機交互、增強現實、視覺導航、醫(yī)學圖像分析等領域有著深入的應用。通常，視覺目標跟蹤被視為對目標狀態(tài)的估計和判別。即在給定初始的目標狀態(tài)（如位置、尺度等信息）下，視覺目標跟蹤的目的是在連續(xù)的圖像序列中估計或判別對象目標的狀態(tài)。在過去的數十年里，視覺目標跟蹤取得了顯著的進展，特別是在有約束條件或相對簡單的環(huán)境下，取得了較好的效果，如靜態(tài)場景下對剛體目標的跟蹤等。然而，在現實世界

2、里，由于目標自身和背景環(huán)境的復雜性，實現魯棒和準確的目標跟蹤仍然是一個挑戰(zhàn)性的問題。跟蹤過程中，算法的性能和效果會受到各種因素的影響，如部分或全部遮擋、光照變化、平面內旋轉、平面外旋轉、背景雜亂、尺度變化和復雜運動等，這些復雜的因素會導致目標表觀發(fā)生顯著的變化。目前，已有或存在的跟蹤方法仍然不能有效解決這些復雜的因素所帶來的問題，視覺目標跟蹤算法的性能還需要進一步的提高。在視覺目標跟蹤過程中，如何有效地表征目標，往往對跟蹤的結果和性能起

3、著決定性的作用。此外，目標所處的環(huán)境因素對跟蹤的結果和性能起著重要的影響。特別是在復雜的環(huán)境下，目標特征及目標上下文信息可以為跟蹤提供重要的證據信息。因而，有效利用目標特征信息及上下文信息表征對象目標，是提高算法性能的重要途徑之一。
　　本文在深入分析視覺目標跟蹤工作機理的基礎上，結合目標的結構化特征信息以及上下文信息，從構建魯棒的目標表觀模型角度出發(fā)，開展了相關的研究工作，并提出了一些新的思路。本文的主要工作及創(chuàng)新點包括:

4、>　　(1)針對跟蹤過程中表觀發(fā)生劇烈變化的目標跟蹤問題，本文提出了一種新的基于自適應分塊表觀模型的視覺目標跟蹤方法。本文方法用一組空間上具有內在幾何結構關系約束的局部圖像塊表征對象目標，以適應對象目標表觀的劇烈變化。在跟蹤過程中，對象模型的局部分塊依據目標表觀的變化實現在線自適應的更新（添加和刪除）。本文方法充分利用了局部分塊對表觀變化適應上的靈活性，克服了傳統(tǒng)算法不能及時更新表觀模型的局限性。與此同時，本文方法利用顏色特征構建對象目

5、標的全局概率模型，為局部塊的更新提供了有效的先驗信息，為表觀模型提供了更加可靠、靈活的更新依據。實驗結果表明，該方法能夠較好的適應目標的表觀變化，在目標發(fā)生劇烈的表觀變化時能夠有效的跟蹤目標。
　　(2)為在復雜環(huán)境下實現魯棒的目標跟蹤，本文提出了一種基于局部表觀模型和上下文信息的目標跟蹤方法。在跟蹤過程中，利用目標內部的局部圖像塊和目標的上下文聯(lián)合表征對象目標，構建目標的表觀模型。首先，將目標表征為一組柵格化的局部圖像塊，利用梯

6、度和亮度信息描述局部圖像塊的特征。局部塊的似然度由穩(wěn)定性和可靠性描述，以評估跟蹤過程中局部塊的魯棒性。本文方法通過局部分塊的表征方式有效的保存了目標內部的空間結構信息，能在復雜環(huán)境下快速適應目標的局部表觀變化。其次，為抑制跟蹤過程中的漂移，目標由分別包含了前景和背景的上下文信息表征。通過在模型的構建過程中融合背景信息，有效的抑制了背景模糊和噪聲對目標跟蹤的影響。實驗結果表明，該方法能有效的處理遮擋、快速運動和背景模糊等復雜情況。

7、　　(3)為有效表征對象目標，本文提出了一個層次化的表觀模型，并在貝葉斯框架下構建了基于層次化模型的視覺目標跟蹤方法。跟蹤過程中，對象目標由局部層和全局層組成的層次化表觀模型表征。局部層模型用一組局部分塊描述對象目標，以適應由遮擋、形變等引起的局部表觀變化。全局層模型用包含了前景和背景的目標上下文信息描述目標，以有效處理跟蹤過程中出現的復雜背景、運動模糊等情況導致的影響。該方法通過局部層、全局層的聯(lián)合表征方式，能夠有效提升目標表征的準確

8、性，能夠有效抑制各種復雜情況對跟蹤結果的影響。實驗結果表明，該算法具有較高的效率、魯棒性和準確性，在各種復雜環(huán)境下均取得了較高的目標跟蹤性能。
　　(4)為獲取魯棒、準確的跟蹤性能，本文將相干濾波引入到目標跟蹤框架中，基于相干濾波、局部分塊模型和上下文信息提出了一種協(xié)同視覺目標跟蹤方法。為提高目標跟蹤的準確性，本文方法采用粗到細的跟蹤策略。在粗跟蹤階段，目標由多個由隨機采樣獲取的局部圖像塊表征，每個局部塊獨立的執(zhí)行跟蹤任務，目標狀

9、態(tài)由各個局部圖像塊的狀態(tài)預測經過加權后初步確定。在細跟蹤階段，目標由包含了背景和前景的雙矩形框聯(lián)合表征。通過在跟蹤過程中融入上下文信息，在貝葉斯推理框架下基于細搜索策略精確估計目標的位置。此外，為在長期的目標跟蹤中獲取魯棒的跟蹤效果，我們基于局部圖像塊的置信度來處理跟蹤過程中發(fā)生的遮擋。跟蹤過程中，本文方法將生成模型和判別模型相融合，實現了兩種模型的優(yōu)勢互補;通過將基于局部模型的跟蹤方式和基于全局模型的跟蹤方式相融合，實現了協(xié)同的目標跟