基于稀疏表达和主动漂移纠正的视觉目标跟踪算法研究

Visual target tracking is significant for intelligent video surveillance, robot navigation. Due to the uncertain of the appearance and movement pattern of target as well as the surrounding environment change, this will bring great challenges for the research of moving target tracking. This project is the first application of sparse representation and active drift correction to establish the robust, quick, accurate target tracking algorithm in complex scenes. In expression, we integrate the time-space information of the target through democratic integration strategy, and consider its topology information. For model, we first propose the online dictionary selection model, which has the discriminative ability. On the basis of ensuring the small reconstruction error, highlight the discriminative power of the dictionary. On this basis, we introduce the drift correction information into the process of target tracking based on sparse representation, and monitor the tracking error, correct the target drift in time. Beside, we combine the online dictionary update mechanism to select appropriate update chance, reduce the accumulated error in the tracking process effectively, and achieve stable and accurate tracking. Our idea is original, and the preliminary research proves its feasibility.

视觉目标跟踪对智能视频监控，机器人导航等具有重要意义。由于目标外观和运动模式的不确定性，以及周围环境的变化，给运动目标跟踪的研究带来了极大的挑战。此项目申请拟首次应用稀疏表达理论和主动漂移纠正思想建立面向复杂场景的鲁棒准确快速的目标跟踪算法。表达上，我们通过民主融合策略融合目标的时空域信息，并考虑其拓扑结构信息；模型上，我们首次提出具有判别能力的在线字典选择模型，在保证具有较小重建误差的基础上，突出字典的判别能力。在此基础上，我们将主动漂移纠正信息引入基于稀疏表达的目标跟踪过程中，并对跟踪中的误差进行监控，及时地对目标漂移进行纠正。并结合在线字典更新机制，选择合适的更新时机，有效减少跟踪过程中的误差累计，实现在复杂场景下对目标持续稳定准确的跟踪。我们的研究思路具有原创性，并且初步的研究成果证明了其可行性。本项目的研究成果对视觉目标跟踪具有重要的理论意义和应用价值。

本项目面向智能视频监控、机器人导航领域中的目标跟踪问题开展研究，意在应用稀疏学习理论和主动漂移纠正思想建立面向复杂场景的鲁棒准确的目标跟踪算法架构。其主要包括两个核心问题：（1）在线鲁棒的稀疏学习，来学习高质量的字典和鲁棒的稀疏表达，突出字典和稀疏表述的判别性和结构性；（2）主动漂移纠正的融入，减少跟踪过程中的误差累计，并纠正跟踪漂移。在课题执行期间，我们围绕这两个核心问题开展研究，并相应发表了多篇高水平论文。表达上，本项目提出了一种权重判别性特征选择机制，有效地选择目标和背景的判别性特征，为下述的跟踪算法服务。模型上，本项目考虑样本的标记信息和样本之间的结构约束及样本内部的结构输出，分别以分类误差项和结构归一化项，融入跟踪目标函数，并结合稀疏重建误差项和稀疏表达系数约束构建总的跟踪目标函数。不同范数约束下（L1、L2、混合范数约束分别对应不同的噪声）发展了相应的鲁棒的优化算法，来同时在线学习高质量的字典和优化的分类器，进而获得目标的鲁棒稀疏表述。最后通过有效的归一化联合度量机制来定位目标，提高了跟踪算法的鲁棒性、精度。此外，在上述中的目标函数框架下，多任务学习和低秩约束的引入，进一步提高了算法的跟踪性能。为减少跟踪过程中目标定位误差累计，本项目结合主动漂移纠正的思想，提出了一种在线的字典和分类器更新算法，来适应跟踪过程中目标及其周围环境的变化。所发展的跟踪算法架构与几十个当前跟踪算法在多个挑战性跟踪测试场景进行跟踪实验，定性及定量的跟踪结果比较验证了算法的有效性、精度、及鲁棒性。此外，我们还将所发展的跟踪算法在旋翼无人机平台上进行了室外目标跟踪实验，进一步验证了算法及系统的有效性。.上述相关的理论成果已经发表多篇高水平论文包括IEEE及IEEE Transaction论文3篇和模式识别知名期刊Pattern Recognition 论文1篇，国际知名会议ICME2014（oral）1篇。