跟踪器融合的视觉跟踪方法研究

结题报告

项目介绍

AI项目解读

基本信息

批准号：
61303104
项目类别：
青年科学基金项目
资助金额：
23.0万
负责人：
丁辉
依托单位：
首都师范大学
学科分类：
F0210.计算机图像视频处理与多媒体技术
结题年份：
2016
批准年份：
2013
项目状态：
已结题
起止时间：
2014-01-01 至2016-12-31

项目参与者：
周修庄；赵晓旭；宋宇；李阳；王怡蕾；孔鹏；
关键词：
跟踪器融合随机逼近蒙特卡洛视觉跟踪并行马氏链

项目摘要

Visual tracking is an important research task in computer vision community. It is still challenging for existing methods in dealing with the abrupt changes in motion and appearance. In this work, a novel method based on tracker fusion is studied for tracking in complex real-world environment. Firstly, a new measurement criterion is studied and built for evaluation of the trackers set, through which an online method is proposed for constructing the trackers set that can adaptively characterize the real-world tracking environment that varies severely over time. Secondly, a parallel SAMC sampling algorithm is studied to efficiently sample from the multimodal filtering distribution, through which several parallel Markov chains with interactions are built for adaptive trackers fusion, which adapts the tracking system to the tracking environment that varies severely over time, and thus improves the tracking robustness and accuracy. Finally, A prototype tracking system is built based on the proposed method, and the experimental evaluation is performed to validate the efficacy of the proposed method.

视觉跟踪是计算机视觉领域的一项重要研究课题，当前的视觉跟踪方法在处理目标运动和目标外观的复杂变化时还存在诸多困难。本课题面向复杂环境下的视觉跟踪问题，从跟踪器融合的角度研究一种新的视觉跟踪方法，包括：1）研究建立一个评价跟踪器集的度量准则，并提出一种构建跟踪器集的在线方法，使得跟踪器集能够自适应地描述跟踪环境的复杂变化；2）研究一种并行随机逼近蒙特卡洛采样算法对复杂环境下的多模滤波分布进行高效地采样，进而构建多条并行交互马氏链实现自适应的跟踪器融合，使得跟踪系统能够持续地适应跟踪环境的复杂变化，从而提高跟踪系统的鲁棒性和准确性；3）设计和实现一个跟踪系统原型，并验证和评估跟踪方法的有效性。

结项摘要

视觉跟踪是计算机视觉领域的一项重要研究课题，当前的视觉跟踪方法在处理目标运动和目标外观的复杂变化时还存在诸多困难。本课题面向复杂环境下的视觉跟踪问题，从跟踪器融合的角度研究一种新的视觉跟踪方法。研究内容主要包括运动目标的有效外观建模、跟踪器的优化和评价度量准则、复杂环境下自适应跟踪器融合方法等。目前提出了一种结合目标多特征描述的信息融合自适应粒子滤波跟踪算法，根据不同特征信息在跟踪中描述及辨别目标能力的强弱，从而对特征分配不同的融合系数，经过多种不同跟踪环境下的测试，都有效地保证了跟踪的鲁棒性及准确性。针对目标外观变化以及环境光照等会导致传统跟踪算法失效的问题，提出一种基于外观团块模型和粒子滤波相结合的目标跟踪算法，该方法能解决目标发生尺度变化和存在遮挡时跟踪性能变差的问题。同时，基于稀疏表示提出一种改进的视觉目标匹配跟踪方法，该方法对已选定的目标提取特征集合建立过完备基，通过LASSO算法计算稀疏系数，再利用稀疏度计算方法求得各区域的相似程度值，根据各匹配值求取目标位置并进行目标模板的更新；通过多组通用测试视频和实际场景的监控视频进行实验验证，该算法能够稳健、高效地跟踪运动目标，运行速度较快，可以完成在复杂多变环境下的跟踪任务。对于突变目标提出一种结合H∞滤波的改进交互多特征模型方法（DIMMH），该方法将图像特征加入到 IMM 算法中，同时考虑目标的运动特征和图像特征，利用对角系数矩阵进行加权，并采用H∞滤波器进行滤波，从而获得更好的跟踪效果。在贝叶斯估计理论的框架，通过状态估计可以得到系统状态估计的最优解，结合跟踪目标的外观模型，提出一种改进贝叶斯在线视觉跟踪方法，该方法对光照变化，部分遮挡等情况具有一定的鲁棒能力，且执行速度较快。