基于核非负矩阵分解的核凸包表示与非线性度量学习的目标跟踪

Object tracking plays key roles in video surveillance, etc. Developing a robust tracking algorithm is still nontrivial due to several challenging factors, such as occlusions, illumination variations, etc. There are some key issues in object tracking including developing an efficient appearance model, designing a robust target template updating, and so on. This project aims to address the key issues in object tracking including developing appearance models, etc. An robust tracking algorithm is proposed based on these key issues, which is robust to complicated appearance variations. The main subjects that are covered in the project include: (1) an efficient target template updating scheme based on kernel nonnegative matrix factorization. The scheme combines the holistic and part-based representation and captures the latent structure information. (2) an effective target representation based on kernelized convex hull. The underlying relationship between a target candidate and the target templates is highly nonlinear. The kernelized convex model covers unseen target appearances by convex combinations based on the target templates. (3) an observation likelihood evaluation based on nonlinear distance metric learning. The metric learning can learn the appearance variations in the tracking process. An accurate likelihood evaluation is obtained by the learnt metric. This project further enriches the theory and algorithms of object tracking. The new tracing algorithm that is proposed in this project, will be further applied in video processing such as video surveillance analysis.

目标跟踪是视频监控等领域中的关键技术。受遮挡、光照变化等诸多因素的影响，设计一个具有普适性的跟踪算法具有很大的难度。建立有效的目标表观模型、设计鲁棒的目标模板更新方法等是其中的关键问题。本项目针对如何建立有效的目标表观模型等进行研究，探索复杂环境下能够有效处理遮挡等复杂表观变化、性能鲁棒的跟踪算法。研究内容包括：（1）探索基于核非负矩阵分解的目标模板获取与更新。该方法能够联合目标表观整体与局部特征、发现其中隐含的结构信息。（2）设计基于核凸包模型的目标表示。在复杂表观变化影响下，目标候选块与目标模板之间的关系可能是非线性的。在非线性关系基础上，目标模板的凸组合可以尽可能地涵盖未知的目标表观。（3）设计基于非线性距离度量学习的目标观察概率估计。学习目标的各种表观变化并获得更精确的观察概率估计。以上研究内容为目标跟踪提供新的研究思路，也为视频监控等视觉应用领域提供更有效的方法与技术。

计算机视觉是指利用摄像机和计算机等设备模拟人类视觉的功能，对图像和视频中感兴趣的目标进行检测、分类、跟踪、识别和分析等；并在进一步处理的基础上对目标进行后续的理解和其他应用。目标跟踪是计算机视觉中的一项基础性的研究任务，对它的研究可以为目标识别、分析和理解等后续研究提供基础和依据。. 本项目针对目标跟踪中的目标表示方法、目标观察概率估计、目标模型更新以及相似性度量等关键问题进行研究。经过研究提出了多种鲁棒的视频跟踪方法。主要有：（1）针对通常的目标跟踪中，一般都假设目标候选块与目标模型之间存在线性组合关系的特点，提出基于非线性的正则化核的目标表示方法，将目标特征映射到高维空间中进行表示，可以避免低维空间中目标表示中易于被剧烈的表观变化干扰。（2）基于凸包目标表示与EMD距离度量的目标跟踪，每个目标候选块由一组目标模板的凸组合进行近似表示。在目标跟踪中，测量目标候选块与目标模板之间的相似度是目标跟踪中的一个很重要的问题。本跟踪算法中使用陆地移动距离（Earth Mover's Distance）计算它们之间的距离。（3）设计一种基于目标模板集的稀疏正则化仿射包的目标表示方法，仿射组合是由目标模板的所有可能的组合构成的一个最小仿射子空间，它们可以涵盖目标所有可能的组合，每个组合表示目标一种可能的变化。（4）提出了一种新的表观模型，使用一组已有的跟踪结果作为目标模板，并利用基于L1的残差计算方法进行目标候选块的近似表示。同时使用L2约束近似目标模板系数的正则化。（5）基于判别式字典学习的目标跟踪，使用学习得到的字典进行目标候选块的表示。（6）设计一种目标表观模型，充分考虑了目标候选块向量的特征元素的相似性和区分性。（7）提出基于稀疏约束与非线性的目标表示方法的视频跟踪。. 目标跟踪是视频监控等领域中的关键技术，以上研究内容为目标跟踪提供新的研究思路，也为视频监控等视觉应用领域提供更有效的方法与技术。