稀疏性多维联合优化在线视觉跟踪方法研究

Since online sparse visual tracking technology have simulated human eyes visual tracking and enhanced the robustness of tracking system, online visual tracking technology based on sparse joint model is becoming one of the key problems in the field of computer vision. Traditional joint tracking methods only focus on simple collaborative methods, such as add or multiplicative. It is difficult to identify and classify the target from background intuitively. In this project, we take some fundamental issues and model in the multi-dimension joint optimization as breakthrough point; for instance, multi features fusion and unreliable visual cues detecting etc., using hierarchical particle filter and MIL to achieve multi-dimension joint optimization including multi-features structural joint sparse representation for the object and the background. The research topics of this project mainly include: the multi-features structural joint sparse representation method. The research results of this project will be used in the long-time complex intelligent video surveillance systems.

基于稀疏性联合模型在线视觉跟踪技术因能直观模拟人眼视觉跟踪、增强了系统的鲁棒性而成为计算机视觉领域发展的关键问题之一。本项目主要就基于联合稀疏表示视觉跟踪面临的多特征融合、异值视觉测量去除，以及传统联合方法大多停留在乘性或加性层面，难以自然直观地识别和分类目标和背景等问题，从多维联合优化的基本问题和模型着手，利用分层粒子滤波和多任务学习，实现目标与背景多特征结构化联合稀疏表示。主要研究内容为多特征结构化联合稀疏表示方法，并将研究成果应用到长时复杂智能监控视频环境的目标跟踪。

本项目主要就视觉跟踪过程中视频预处理方法、目标拟合表示方法、目标分割方法以及特征提取方法进行了探索研究。具体的：1）提出了形态学中点小波去噪方法，将形态学击中或击不中变换阈值处理与形态中点小波变换相结合。实验表明改进的算法在信噪比、算法耗时等方面表现较好。2）针对无人机航拍图像的拼接处理中色彩平衡问题，提出了一种基于Wallis 滤波的色彩均衡方法，以最强图像平均灰度作为目标平均灰度，以最大图像方差作为目标方差。实验表明该方法对多幅图像的色彩一致性处理相比传统不分块的方法具有更好的效果。3）提出一种最佳矩形拟合的快速椭圆拟合方法，该方法利用最小二乘法获得目标的最小外包矩形框，再求取外包矩形框的内切椭圆，该椭圆能有效的反映目标的大部分运动信息。并且该方法可以减少拟合椭圆面积及其内部背景像素所占比例，有效降低目标检测中产生的目标散点的影响，从而提高目标跟踪的运算速度和准确性。同时，也可以有效解决当多个目标之间距离较近时的目标重合问题。4）为提高目标分割的精度和效率，目标分割时进一步引入了目标和背景之间的色彩差异、纹理差异等信息，计算像素的亮度、色彩、纹理的统计直方图梯度，用logistic回归合成图像的边缘特征，再应用Dijkstra最短路径算法来完成目标分割。分割测试结果表明，在多数图像分割中，该算法在分割精度和交互效率上要优于仅使用亮度特征的传统方法。5）针对多目标跟踪中目标搜索方法耗时过多，效率不高的问题，提出了一种基于运动估计和结构约束相结合的搜索方法。该方法在计算多目标搜索范围时，先计算其中一个目标的运动矢量，结合上帧该目标的位置，对当前帧该目标运动方向和尺度进行预测；再根据多目标之间的结构约束关系，计算其他跟踪目标精确的搜索方向和范围。实验表明，该方法在不影响跟踪准确率的情况下，大大缩小的搜索范围，提高了搜索效率，从而简化了多目标跟踪算法的时间复杂度。