突变目标的视觉跟踪算法研究

Abrupt Object Tracking is a challenging task in computer vision community due to its large uncertainties in motion and appearance changes.This project mainly focuses on the appearance modeling problem for objects with abrupt motion accompanied with scale and illumination changes, as well as constructing robust tracking framework.We will propose to model abrupt scale changes using the combination of template matching and template updating, aiming at handling the spatial drift and feature drift problems during tracking.We propose to use minimum entropy-based intrinsic image as object feature for modeling appearances under abrupt illumination change.Color features will also be used to reserve the discriminant ability of the model.A robust MCMC sampling based tracking framework under particle filtering framework will be proposed.In order to suppress the random walk behavior in conventional MCMC-based tracking algorithms, we propose to use the ordered over-relaxation method to enhance the searching ability of the tracker in the state space.Finally, this tracking framework will be integrated with the object modeling methods for abrupt scale and illumination changes to implement accurate and robust object tracking under complex environments.We will also evaluate the performance of the tracking algorithm.

突变目标的运动及外观变化存在极大的不确定性，使得突变目标跟踪问题成为计算机视觉领域的热点和难点。本项目针对突变目标的视觉跟踪问题，系统研究尺度突变及光照突变场景下的目标建模问题，研究基于粒子滤波框架的鲁棒跟踪算法。针对运动与尺度突变的目标跟踪问题，提出基于模板匹配与模板更新相结合的目标建模方法，解决跟踪过程中目标的空间漂移及特征漂移问题；针对运动与光照突变的目标跟踪问题，提出利用基于熵最小化的本征图像作为目标特征对目标外观进行建模，同时结合颜色特征保持模型的判别能力；提出基于有序超松弛马氏链蒙特卡罗采样方法的鲁棒粒子滤波跟踪框架，抑制传统的马氏链跟踪框架中的随机游动行为，提高跟踪算法在状态空间中的搜索能力；最后将该框架与尺度突变和光照突变目标建模方法相结合，实现复杂环境下突变目标的准确、鲁棒的跟踪，并进行算法跟踪性能的评价。

我们提出了一种基于有序超松弛的自适应Hamiltonian马尔科夫链蒙特卡罗方法（MCMC）的突变运动跟踪算法（A-ORHMC），有效抑制传统的MCMC中存在的随机游动行为，降低迭代次数；同时，在跟踪过程中自适应调整步长，降低仿真误差；算法采用基于颜色直方图的外观模型，能够有效处理不同类型的运动突变跟踪。为了处理运动突变中存在的光照剧变或突变引起的外观变化，在A-ORHMC算法的基础上，设计了基于局部敏感直方图的外观模型，这种外观模型可以有效处理光照变化，提高了A-ORHMC算法的鲁棒性，算法能够有效处理突变运动、光照剧变以及运动突变与光照剧变并存的跟踪场景。.深入研究了粒子滤波算法理论，发表关于粒子滤波的综述一篇，并对基于粒子滤波的目标跟踪技术进行了研究。在粒子滤波算法框架下，提出了一种基于快速视网膜特征点（Fast Tetina Keypoint，FREAK）和主成分-典型相关分析（Principle Component-Canoical Correlation Analysis，P3CA）的目标跟踪算法。该算法能够很好的处理光照变化、遮挡、旋转及复杂背景等问题。提出了一种基于混合建议分布及外观模型的粒子滤波跟踪算法。算法采用无极卡尔曼滤波和先验概率转移密度构建混合建议分布，采用颜色直方图和局部敏感直方图构建混合外观模型，提高了跟踪算法的鲁棒性。提出了一种对粒子滤波跟踪器进行分裂和合并的自重构算法，该算法在跟踪准确性和跟踪效率两个方面表现优秀。受到昆虫视觉的启发，我们提出了一种简单但有效的粒子滤波跟踪框架。通过采用昆虫视觉的神经计算模型，我们可以对传递的粒子状态进行精定位，从而实现对目标运动信息的更精确估计。.做为拓展性研究，研究了人脸检测技术、3D点云特征提取方法、车辆识别、医学影像处理等。提出了基于改进AdaBoost与SVM快速人脸检测方法，提出一种应用于3D点云的尺度不变特征提取的方法，提出了基于方向滤波器组的造影图像血管增强方法。