论文摘要：多特征融合的视频目标跟踪方法研究

视频目标跟踪技术在科学研究和工程实践中都具有重要的价值，在智能人机交互、精确制导、自动驾驶、智能视频监控等诸多军民领域得到了广泛的应用，尤其在智能视频监控中应用尤为普遍。但是，视频监控应用中经常存在周围环境复杂、目标种类多样、目标和背景外观变化等干扰因素，使得目前的视频目标跟踪算法在鲁棒性、准确性和快速性方面与现实需求仍有较大差距。多特征融合的方法是解决上述问题的有效途径，近期许多研究者都在致力于此方面的研究，但在特征评价、特征选择、多特征融合规则等方面还存在许多不足，难以在多种复杂条件下保持持续稳健的跟踪。为此，本文针对多特征融合的视频目标跟踪技术展开研究，具体的研究工作和研究成果包括以下几个方面：（1）提出了一种结合可分性与差异性的有效特征选择方法针对现有多特征融合跟踪算法普遍依据可分性指标来选择特征，存在特征冗余，在场景突变条件下可能发生所选特征普遍失效等问题，本文将特征差异性度量引入特征有效性考核指标，提出了一种结合可分性与差异性的特征有效性评价与选择方法。该方法在度量每个候选特征可分性的基础上，提出了一种差异性度量方法以评价各个特征分类能力之间的差异，并利用设计的选择策略从候选特征中选择一组分类能力强，且具有显著差异的视觉特征。该方法既可以剔除冗余的特征，降低多特征融合的计算复杂度，又可以尽可能地保证特征组合的多样性，提高其在复杂条件下的持续分类能力。实验结果表明，本文提出的方法相对于仅依据可分性的特征选择方法，一般而言可以在采用更少的特征的条件下获得更高的“目标——背景”分类准确率，为后续的准确跟踪奠定了基础。（2）提出了一种基于D-S证据理论的决策级融合跟踪方法针对现有特征级融合跟踪方法存在的依赖学习样本、跟踪误差容易累积放大等问题，提出了在决策级实现融合，即“先定位，后融合”的解决思路。该方法不直接将多个特征进行组合，而是分别利用每个特征单独进行跟踪，获得一组目标位置估计及相应的相似性测度，然后利用D-S证据理论这一决策级融合工具，通过设计焦元结构来构造一系列关于目标位置的“证据”，实现了一种既体现特征相似性测度，又突出特征分类能力的融合机制。在此融合机制下，分类能力弱，或已经失效的特征将被摒弃，分类能力强的特征将得到保留，从而有效增强了融合过程的容错能力，提高了跟踪的准确性，同时该方法不依赖于学习样本，避免了误差累积。实验结果表明，本文提出的算法在光照突变化、相似对象干扰等情况下具有较好的鲁棒性和准确性。（3）提出了一种结合IMM位置预测与多核融合的目标遮挡处理方法现有的基于预测的遮挡处理方法由于运动模型单一，存在预测准确度不高的问题；基于分块的遮挡处理方法由于将目标的各个部分割裂对待，容易发生分块之间错误关联的问题。针对上述问题，本文提出了一种结合IMM位置预测与多核融合的遮挡处理方法。该方法首先建立目标的多个基本运动模型，利用交互式多模型方法对目标在当前帧中的可能的位置进行预测，提高了预测的准确性；在此基础上，充分利用核函数这一Mean shift算法中最重要的工具，通过对核函数中心和核函数表达式的灵活设置，将遮挡情形下目标可视形态的改变充分体现到核加权直方图中，并以此为依据，提出了一种简洁鲁棒的遮挡检测算法，快速判断目标是否出现遮挡；并进一步提出了一种基于非对称多核融合的跟踪方法，通过建立目标的多个非对称核加权直方图，并利用证据理论判别出受影响较小的直方图，保证了遮挡情形下利用未被遮挡部分的视觉信息实现准确的跟踪。实验结果表明，通过一系列手段的组合运用，在目标被严重遮挡时仍能够获得比较稳定的跟踪效果。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/201801.html