论文部分内容阅读
随着社会的不断进步,科学技术的发展在当今社会已经显得越来越重要,科技的发展程度代表一个国家的综合实力。计算机视觉正是科学技术的一个重要领域,与人们的生活息息相关,是人们生活不可或缺的一部分。同时,计算机视觉广泛的应用于人机互动、导弹制导、交通安全等各个领域,得到了学术界和企业界的极大关注。其中,视频目标跟踪技术是计算机视觉领域的一个重要方面,也是计算机视觉能够应用到以上等领域的前提。对视频中的目标进行跟踪的算法,目前有经典的MeanShift跟踪算法、改进的具有自适应性的CamShift目标跟踪算法,以及当前较新的且效果也较好的具有自适应性的基于时空上下文的目标跟踪算法和基于核的循环结构的边检测边跟踪算法。虽然,以上算法都取得了较好的实验效果,但在一定程度上并不能非常好的自适应目标大小的变化。MeanShift算法是一种均值漂移算法,具有计算简单,运算速度较快,对少量遮挡、旋转、形变都不敏感的特点。但跟踪窗口不能自适应目标大小变化,当目标运动速度较快时,跟踪易丢失。CamShift算法改进了MeanShift算法的不足,实现了目标的自适应性。但在背景颜色与目标颜色相近时,也易出现跟踪错误的现象。基于时空上下文的目标跟踪算法充分利用了目标与周围环境的空间关系,同时对空间关系进行实时更新,具有在严重遮挡的情况下也可有效的实现跟踪,运行速度快的特点。基于核的循环结构的边检测边跟踪算法采样充分,跟踪效果较好,能适应部分遮挡的情况,且跟踪速度很快。但其无法适应自适应目标大小变化的要求。本文针对自适应问题提出了一种基于循环核矩阵的自适应目标跟踪算法。采用了分类效果近似支持向量机的正则化最小二乘法的分类模型。通过寻找最小二乘法的隐式解而找到目标的最终位置。算法首先通过人工标注的方式,找到目标所在区域,并设置相应的感兴趣区域,再对感兴趣的区域尽可能多的采样,以致所有的样本可以构成一个循环矩阵结构,进而可以通过高斯核函数以构成循环核矩阵。在这里为了解决样本太多,计算量大的问题,将已经成熟的循环矩阵与傅里叶变换建立连接,在傅里叶空间中,从而实现快速的学习和检测,以达到实时性的效果。在成功实现目标跟踪的基础上,根据KRLS分类器对目标响应度的变化情况,实现自适应目标大小的变化。经实验证明,该算法在一定程度上可以有效的实现自适应目标大小的变化。