基于超像素和稀疏表示的目标跟踪研究

【摘要】：目标跟踪是计算机视觉领域的研究热点,在智能交通、智能军事、智慧医疗、智能视频监控等方面有着广泛应用。对目标跟踪技术的研究,以进一步提高其精度和鲁棒性,可为后续图像理解奠定坚实基础。另外,实现目标定位与跟踪的智能化,可以有效提高当前图像系统的运行效率,减少人为因素造成的失误与损失,降低系统运营成本。因此,对目标跟踪技术的研究具有一定的理论意义和应用价值。现有目标跟踪方法面临遮挡、光照或形变、高速移动等挑战。本文利用稀疏表示的视觉特性和超像素分割保持目标边缘的优势,提出基于超像素分割的稀疏表示目标跟踪方法。主要工作概括如下:(1)针对因遮挡、光照变化和高速移动造成的目标跟踪精度不高及鲁棒性差的问题,提出基于超像素的稀疏表示目标跟踪方法。首先,引入超像素进行图像分割,提取分割区域特征并进行结构化稀疏表示建模;然后,计算候选区域的稀疏系数和残差信息,并对其进行排名,初步完成目标估计和目标检验;其次,通过相似度函数,将两者的结果进行融合,确定最终目标;最后,对目标模板进行更新,以减少表征变化对结果的影响。实验结果表明,该方法的平均中心误差为7.6像素,在鲁棒性实验中,本文方法在噪声干扰条件下的跟踪效果与精度仍较高。因此,该方法具有良好的目标跟踪精度和鲁棒性。(2)为克服超像素分割的数量对跟踪精度和鲁棒性的影响,提出基于两级超像素分割的跟踪方法。首先,引入双向滤波对视频序列进行预处理,去除噪声。其次,对图像进行粗粒度超像素分割,构建基于粗粒度的表征模型。然后,在粗粒度超像素分割基础上,再进行细粒度超像素分割,计算置信图。最后,利用更新策略,来更新表征模型和置信图。实验结果表明,平均中心误差率仅为7.5像素,在噪声干扰下误差率仍较低,该方法进一步提高了目标跟踪精度和鲁棒性。(3)针对传统更新方法不能很好适应漂移、遮挡等情况,无法有效更新模板的问题,本文采用基于反馈的更新策略。首先,获得初始状态和反馈状态。其次,计算初始状态和反馈状态之间的Jaccard距离,评估模型的适应度。最后,设置阈值,将模型的适应度与阈值相比较,根据不同的情况,更新模板和置信图。实验结果表明,该更新策略既能提高模板更新效果,又能提高目标跟踪精度。