基于稀疏特征编码与低秩表示的视觉跟踪研究

Visual tracking is a fundamental research problem in computer vision. Visual tracking is still confronted with enormous challenges, such as background clutter, changes of the visual appearance of the object, and computational efficiency constraint.Feature descriptors and appearance model are the basis of visual tracking and are key for resolving the difficulties in visual tracking. Recently, sparse features coding and low-rank representation which are driven on the basis of compressive sensing theories, have become the dominant paradigm for feature descriptors and appearance model.How to deal with the problems in visual tracking via sparse features coding and low-rank representation is a key problem. Firstly, this project studies sparse features coding model that adapt to changes of the visual appearance of the object.To deal with background clutter, we propose discriminative appearance model based on online sparse features coding and features fusion appearance model based on low-rank representation. Secondly, to avoid model drifting, we study method to detect objects occulision and inaccurate tracking by using outliers detcction via low-rank representation, and achieve adaptive model update method. Thirdly, according to the character of particle filter and video data of objects,we study fast visual tracking algorithms based on sparse features coding and low-rank representation. Finally, to improve the efficiency of visual tracking system of UAV (Unmanned Aerial Vehicle), the proposed models and algorithms are applied in visual tracking system of UAV.

视觉跟踪是计算机视觉的基础研究问题，其仍然面临复杂背景、目标特征变化和快速性要求等难题。特征描述符和表观模型是视觉跟踪的基础，是解决视觉跟踪面临难题的关键。目前，以压缩感知理论为基础发展起来的稀疏特征编码与低秩表示成为解决特征描述符和表观模型的有效手段。因此，如何利用稀疏特征编码和低秩表示解决视觉跟踪面临的难题是亟需解决的关键科学问题。 本项目首先研究适应目标视觉特征变化的稀疏特征编码模型，并针对复杂背景，提出基于在线稀疏特征编码的判别式表观模型和基于低秩表示的特征融合表观模型；其次，为解决模型漂移问题，利用低秩表示的离群数据检测能力，研究检测目标遮挡和错误跟踪的方法，进而实现模型自适应更新；然后，根据粒子滤波和目标视频数据的特点，研究基于稀疏特征编码与低秩表示的快速视觉跟踪算法。最后，将上述研究应用于无人机载成像平台目标跟踪系统中，以解决其对地目标跟踪的时效性。

视觉跟踪研究的重要意义在于其广阔的应用前景，它在智能监控、人机交互、机器人导航、运动分析、医学图像分析和多媒体应用等民用领域，以及视觉制导、战场环境下无人机、监视卫星的目标定位等军事领域均有重要的应用价值。同时视觉跟踪也是一项具有挑战性的任务，尤其是非约束环境下的视觉跟踪，仍面临复杂背景、目标视觉特征变化和快速性要求等难题。本项目以利用稀疏特征编码和低秩表示来提高视觉跟踪性能为出发点，针对视觉跟踪面临的难题，利用稀疏特征编码与低秩表示，研究视觉跟踪表观模型、模型自适应更新方法和表观模型的快速计算等问题。在这些内容研究的基础上，建立了具有鲁棒性、精度高和快速性的视觉跟踪算法，并将提出的模型与算法应用于无人机载成像平台对地目标跟踪系统中，解决无人机载成像平台对地目标跟踪的时效性。 具体说来，项目完成的主要研究工作包括以下4个方面：. 一是研究了L1正则化稀疏特征编码框架下损失函数的结构与目标视觉特征变化的匹配问题，利用在线稀疏特征编码设计了视觉跟踪表观模型，以及利用低秩表示建立了视觉跟踪表观模型等问题。在此基础上，建立了基于稀疏特征编码和低秩表示的视觉跟踪表观模型框架和跟踪算法。二是研究了基于稀疏和低秩表示的视觉跟踪表观模型以及模型自适应更新方法等问题。设计了基于结构稀疏编码的视觉跟踪表观模型，建立了基于低秩表示的表观模型和模型更新方法，提出了基于字典学习的视觉跟踪表观模型和模型自适应更新方法。三是研究了稀疏域视觉跟踪的鲁棒性以及快速跟踪等问题。建立了一种在线鲁棒判别式字典学习模型，结合提出的模板更新方法实现了鲁棒的视觉跟踪；基于最大后验概率提出了一种快速鲁棒的运动目标检测模型，并设计了该模型的求解算法；提出基于两阶段稀疏表示的鲁棒快速视觉跟踪模型，并设计了相应的快速求解算法。四是构建了无人机载成像平台视觉跟踪系统，完成了部分外场试验验证，获得了相关数据，为进一步开展的应用研究储备了技术和数据支撑，为新的目标检测与跟踪设备研制提供技术预研方案。