[00118333]增量型目标跟踪关键技术研究

目标跟踪技术是计算机视觉领域的一个研究热点,旨在对视频中的任意目标进行连续、精准地定位,以便完成对目标行为的分析与理解等更高级的视觉任务,其在军事国防和民用安全方面有着重要的研究意义和广阔的应用前景,主要包括安全监控、军事现代化、交通导航、医疗影像处理等方面。尽管目标跟踪技术在过去几十年里有很大进展,但仍存在若干没有妥善解决的难点,使得设计鲁棒且高效的目标跟踪算法仍然富有研究价值和实用意义。因此本研究对目标跟踪中的关键技术做了系统研究,在此基础上设计了增量型目标跟踪算法,对特定目标跟踪技术的应用具有重要意义。为此,在前期一定相关研究的基础上,于2013年以“增量型目标跟踪关键技术研究”为题申请了滨州市科技发展计划项目,并获的立项支持,项目编号为2013ZC0103。本成果的主要技术内容、技术指标、应用推广及效益、发表论文等情况介绍如下： 主要技术内容： （1）研究了L0正则化增量正交投影非负矩阵分解的目标跟踪算法 提出一种基于L0正则化增量正交投影非负矩阵分解的目标跟踪算法。在粒子滤波框架下采用IOPNMF算法在线获得跟踪目标基于部分的表示以构建模板矩阵,然后将每帧中的候选样本建立基于模板矩阵的线性表示,对表示系数进行L0正则化约束,并提出快速数值解法,同时引入粒子筛选机制,加快跟踪速度。 （2）研究了在线低秩表示的目标跟踪算法 提出将以前几帧的跟踪结果作为观测矩阵,采用鲁棒的主元成分分析模型求解观测模型的低秩特征。当新的视频流到来时,不是把所有的跟踪结果矩阵作为观测矩阵。并提出新的增量鲁棒的主元成分分析模型,采用增广拉格朗日算法求解新矩阵的低秩特征,并以此低秩矩阵在贝叶斯框架下建立跟踪模型,用恢复的低秩特征更新字典矩阵。 （3）研究了在线增量正交投影非负矩阵分解的目标跟踪算法 提出一种基于L1范数约束和在线增量正交投影非负矩阵分解的目标跟踪算法。首先将L1范数引入IOPNMF子空间重构,使得学习到的新的基于部分的目标表示能够容忍不同的噪声干扰;同时,对正交投影系数进行L1范数约束,并采用循环操作求解IOPNMF子空间向量,保证算法能够处理动态的视频流以获得鲁棒的目标跟踪;最后,将跟踪目标表示为IOPNMF基向量的线性组合,并在观测模型中引入部分遮挡因素,有选择地对IOPNMF子空间进行更新。