基于黎曼流形上自适应表观建模的目标跟踪方法研究

跟踪问题，特别是在光照变化、噪音干扰、目标形变、遮挡等复杂情况下的目标跟踪问题，一直是计算机视觉研究领域的经典难题。本项目旨在研究目标跟踪中黎曼流形上自适应的表观建模方法，以适应目标表观的不断变化，提高目标跟踪的性能。主要研究内容包括：将现有多实例统计学习方法扩展至黎曼流形上，以更好地解决由训练样本噪声所导致的跟踪器漂移问题，提出一种黎曼流形上在线多实例学习算法，实现目标表观模型的实时更新，提高目标跟踪性能；为了有效刻画目标表观的空间结构并增强表观模型的灵活性，拟改进基于块的目标表示方法，并扩展至黎曼流形上，以期自适应更新模型中块的空间结构分布，从而反映目标表观的变化，提高跟踪器的鲁棒性；针对跟踪问题系统分析目标遮挡问题和稀疏表示间的联系，并将稀疏表示扩展至黎曼流形上，以期能更有效地解决目标跟踪中的遮挡问题。

本研究从如何有效表示被跟踪目标出发，围绕黎曼流形上的表观模型和稀疏表示以及如何有效的测试目标跟踪方法这几方面展开研究工作，取得了不错的研究成果：(1) 提出一种基于黎曼流形上在线学习的目标跟踪方法，该方法采用一种在线协方差张量学习的模型更新策略，可以很好的适应目标表观的变化；(2) 提出一种基于稀疏表示的快速目标跟踪方法，该方法在没有牺牲精度的情况下显著提高了L1 跟踪器的速度；(3) 提出一种基于稀疏表示的模糊目标跟踪方法，该方法在不去模糊的情况下充分利用模糊所提供的运动信息来跟踪目标；(4) 提出一种基于稀疏误差的在线图像配准与跟踪方法，该方法假设输入的图像与图像库配准后，可由图像库中的基图像线性表示，并且重构的误差具有稀疏性，该问题可以变换为一系列迭代的凸优化问题来进行求解；(5) 提出并构建了一个目标跟踪基准评测平台，该平台包含50个标注好的测试视频序列，含有29个跟踪器的算法库。