Mean-Shift可视跟踪中的稳健性研究
可视跟踪就是利用图像处理、模式识别的方法发现视频序列中与指定目标图像最相似的部分。它从早期的目标跟踪领域衍生出来被广泛应用在视频编码、智能交通、监控、视频分析以及军工等众多领域中。当目标图像通过自动或者交互等方式给定后，跟踪算法要求在后续图像帧中对该目标图像进行实时、稳健的定位输出。其中，实时性要求跟踪算法必须具有高的搜索效率；稳健性要求跟踪算法对目标的运动、外观变化以及场景干扰具有鲁棒的性能。在兼顾实时性的基础上提高跟踪算法的稳健性一直是可视跟踪研究中的前沿和热点，同时也是本文的研究目的。
本文的研究背景主要是为计算机视觉、视频编码和导弹制导等领域的研究者提供可视跟踪中新的理论和算法支持，在兼顾算法的实时性能的前提下提高算法的稳健性。为此，主要研究了基于核概率密度估计的mean-shift理论在可视跟踪中的应用。基于mean-shift理论的目标跟踪方法由于避免了全局搜索因此已经满足了实时性的要求。本文在此基础上提高了mean-shift跟踪算法的稳健性。主要做了以下的研究工作：对当前流行的可视跟踪方法进行了综述、比较；回顾、总结了核概率密度估计理论，并对在此基础上发展起来的mean-shift理论做了研究、整理；对基于mean-shift理论的目标跟踪算法进行了深入的剖析，指出了其中的不足，尤其是在算法稳健性上的不足；以mean-shift跟踪算法为框架提出了新的模型更新算法用来应对目标的外观变化、场景遮挡以及光照变化；深入研究了跟踪变尺度目标时Bhattacharyya系数的变化规律。在此基础上提出了稳健跟踪尺度渐大刚性目标的算法，并对稳健跟踪具有复杂运动的目标进行了探讨。
本文的创新主要体现在：
(1)提出利用目标历史模型和当前匹配位置处得到的观测模型对目标核函数直方图进行Kalman滤波，从而对模型进行及时更新。新颖之处在于：Kalman滤波器是对目标“外观”进行滤波而不是通常对目标航迹、位移、速度等变量的滤波。
(2)在Kalman滤波的处理过程中，我们根据分析历史滤波残差数据自适应调整滤波方程中的各种参数。首次提出把滤波残差作为样本进行假设检验，将其结果作为模型是否需要更新的准则。这样，系统能够正确地处理遮挡、光照变化等干扰因素，有效地避免了模型的过更新。
(3)发现并严格证明了mean-shift框架下准确跟踪变尺度目标的充分条件，即在核窗宽固定的条件下，目标在其窗宽范围内进行的缩放、平移运动并不影响mean-shift跟踪算法空间定位的准确性。从理论上解释了传统固定窗宽mean-shift跟踪算法在跟踪变尺度目标时表现出来的特点和不足。
(4)利用上述充分条件，提出了“后向跟踪—形心配准”的核窗宽自动选取算法，有效地解决了对尺度渐大的刚性目标的跟踪；同时还提出了基于降分辨率搜索的mean-shift跟踪策略，为存在有剧烈全局运动、低帧率、目标剧烈运动的视频序列中目标的跟踪提供了新的思路。
可视跟踪;跟踪算法;稳健跟踪;滤波残差
上海交通大学
博士
模式识别与智能系统
杨杰
2005
中文
TP391.4;TP275
111
2006-09-18（万方平台首次上网日期，不代表论文的发表时间）