视频场景下大位移运动目标的持续性跟踪方法研究

The proposed project addresses the issues on tracking of an object with the large-displacement motion between frames on the sequential images. Considering that the large-displacement caused by abrupt motion, low-frame-rate video and switching camera may destroy the motion smooth assumption so as that the traditional algorithms often track failure, inspired by the both advantages of descriptor matching and integral model we evaluate the large-displacement motion globally without any prior knowledge based on the extended SIFT flow field. With the help of the theories of optimization, markov random fields and image analysis, we construct a long-term tracking framework that not only evaluates large-displacement motion but also adapts the problems of image blur, partial occlusion and image deformation generated by the complex motion using the methods of belief propagation, sparse representation, linear subspace and particle filter. The framework intends to predict motion uncertainty, construct appearance model, design learning strategy and interact multiple model for keeping long-term tracking and improving tracking accuracy, which can promote and guide the development of visual object tracking method in the fields of intelligent surveillance and behavior analysis et al.

本项目以视频场景下目标在跟踪过程中产生的运动大位移为研究对象，针对序列图像中可能出现目标自身运动突变、低帧率和镜头切换等现象而引发的复杂动态特性，以及传统算法在实现跟踪过程中因设定运动平滑性约束条件而导致难以适应大位移运动目标持续性跟踪的问题，在算子匹配和积分模型相关理论发展的激励下，从帧间运动场角度研究拓展的SIFT flow方法在无任何先验信息的情况下对大位移运动实现全局性评估的跟踪预测机制，基于最优化、马尔科夫随机场和图像分析等相关理论，以置信度传播、稀疏表示、子空间建模和粒子滤波等方法为核心，建立视频场景中具有大位移运动及模糊、遮挡和形变等外观变化的兴趣目标的持续性跟踪方法和框架，解决大位移运动预测、外观模型构造、学习策略设计和多模型交互方式等问题，以提高视频场景中目标在运动和外观发生显著变化时跟踪算法的精确度和持续性，为跟踪技术在智能监控和行为分析等领域的应用研究提供支持。

本项目以视频跟踪过程中目标帧间大位移问题为主要研究内容，结合稀疏表示、置信度传播、群优化、相关滤波和深度学习等理论，旨在使跟踪算法通过对目标运动大位移问题的有效解决，增强算法对视频目标的持续性跟踪能力。项目提出采用置信度传播和前后误差一致性原则设计全局性运动预测模型，对大位移运动状态进行了有效评估，再结合稀疏外观模型构建无需任何先验知识的跟踪算法，实现了在平滑运动或大位移运动条件下的目标持续性跟踪任务；项目提出将视频目标跟踪问题转化成最优化求解问题，采用改进的模拟退火方法提高算法的全局搜索能力，以完全覆盖目标运动的状态空间，解决了目标大位移问题，同时融入相关滤波跟踪器框架，使新算法既能保障运行效率，又能适应目标突变问题；项目基于群优化方法具有强的全局搜索能力和高效的收敛精度，布谷鸟算法被引入到跟踪问题以解决目标大位移运动问题，同时采用单纯形法改进标准布谷鸟方法提高了其局部搜索能力，在相关滤波跟踪框架下很好地解决了大位移目标持续性跟踪任务；项目提出将深度学习方法引入到跟踪问题中构建目标外观模型，通过深度特征选择机制建立最优的特征表示形式，以保证目标在发生大位移运动后目标外观发生突变时，外观模型具有较好的泛化能力，从而提高目标持续性跟踪能力；大量的实验仿真效果和测试数据表明，项目提出的相关方法能够较好地解决了目标大位移运动问题，保障了算法具有目标持续性跟踪的能力。