特征池驱动的复杂环境集群跟踪方法研究

本项目面向复杂环境智能视频监控中的目标跟踪问题，立足于现有集群学习理论及目标跟踪技术，综合联合概率分布最优化理论和交互式多态模型，构建特征池驱动的集群跟踪体系框架。该框架将特征提取与目标跟踪分离，通过特征池链接，从而使目标跟踪系统模块化、开放化。主要研究内容包括：1)探索复杂环境下视频目标特征的提取和优化，构建高可靠的目标特征池；2)针对各子跟踪器研究多层次多特征融合技术及特征的高效表示；3)分析目标的多态性，结合联合概率分布最优化理论，研究交互式多态模型视频目标跟踪方法；4)以现有集群学习理论为基础，研究特征池集群跟踪机制和多特征的交互影响，实现特征池自适应更新。最终形成一整套特征池驱动的集群跟踪方法，并以复杂环境目标跟踪实践进行验证和升华。其成果旨在解决目标跟踪中的变形、遮挡、外表突变以及光照变化等问题，支持复杂环境目标跟踪；以带反馈的集群跟踪为例进一步拓展现有集群学习理论。

该项目研究跟踪过程中所获取的目标描述特征的处理以及目标跟踪算法，两者通过特制池连接，从而这三部分相对独立，但又构成一个开放的目标跟踪框架，以应对复杂环境下目标跟踪。项目取得的成果总结如下：.a) 前景检测是目标跟踪系统的重要组成部分，本项目对基于ViBe的前景检测方法进行了较为系统的研究，包括算法本身的形态学改进、基于该算法平台的阴影去除以及背景提取都提出了相应算法，并且将其应用于水电工程监测的船闸禁停线检测系统中，取得了较好的效果。.b) 本项目的核心是跟踪系统中特征的处理，因此在跟踪特征选取、融合与优化方面，重点研究了颜色、haar-like和梯度方向直方图HOG三种特征，针对颜色特征的颜色空间选取、颜色和haar-like特征的融合、haar-like特征与HOG特征的融合、以及haar-like特征的优化，以及新的HOG特征的提出，包括最新的压缩感知域的灰度信息与纹理信息的融合方法进行了较为全面、系统的研究，取得了良好效果。.c)对于在线目标跟踪系统，必须根据场景、目标的变化不断调整，才能实现鲁棒、高效的跟踪，学习方法是关键。为此，提出了一种基于多特征级联筛查的在线boosting快速跟踪算法，实现了快速的在线目标跟踪；提出了基于半监督在线boosting的粒子滤波目标跟踪算法；提出了一种基于迁移学习框架的目标跟踪方法，该框架将第1帧、第T-1帧的信息迁移为先验知识，从而更加有效的区分目标与背景，提高基于检测的目标跟踪系统的性能。.d) 在跟踪系统方面，对基于粒子滤波的目标跟踪及其与在线集群学习框架的结合以提高系统性能进行了研究；为提高Mean Shift跟踪算法在复杂背景信息下跟踪效果，提出了基于自组织图的改进Mean Shift目标跟踪方法。.e) 在图像处理基础方面，本项目在图像增强、分割等方面进行有意的探索。.基于以上研究成果，本项目在特征池驱动的复杂环境集群跟踪涉及的1) 前景检测；2) 特征选取、优化与融合；3) 学习方法；4) 跟踪系统等方面都取得了重要成果，发表杂志论文8篇，会议论文8，其中SCI检索3篇，EI检索6篇。出版著作1部，获批软件著作权1项。另有著作1部、论文1篇待发表。在此基础上，还对目标跟踪涉及的基础图像处理、系统实现进行了研究，发表SCI杂志论文3篇。 8名研究生得到项目的资助。