基于粒子重叠分布及实时稀疏字典的行人跟踪方法研究

This project focuses on pedestrian tracking in complex scenes based on particle filtering method. Considering the intense overlapping of the particles, the two key steps of particle filtering, namely feature extraction and state estimation, are studied to achieve both real-time and robust tracking. To address the high computational complexity problem in feature extraction step, an adaptive multi-scale sub-regional method is proposed based on the overlapping distribution and the feature additive rule, which can effectively release the computation burden of the feature extraction step. The compressed sensing theory is introduced to achieve robust estimation of the particle state. In order to establish the time-varying pedestrian sparse dictionary, the occlusion, deformation and other factors to the pedestrians target characteristics are considered. From the above analysis, the effectiveness of sparse expression based on l1 norm optimization, sparsity based weighting of the particles will all contribute to achieve robust tracking in complex scenes regardless of the difficulties introduced by varying target size, illumination conditions as well as the occlusion. The key issues of (1) the mechanism of overlapping distribution of particles, (2) the theoretical principle of the feature additive rule and practical feature selection methods, and (3) efficient automatic online generation methods of sparse dictionaries are studied in detail in the project.

本课题以复杂场景下行人目标跟踪问题为背景，以粒子滤波的重叠分布特性为切入点，针对粒子滤波中特征计算及状态估计两个核心环节，探索实时性和鲁棒性相结合的行人跟踪方法。针对计算复杂度过高这一目前限制粒子滤波算法实时应用的瓶颈，拟基于粒子滤波过程中粒子的重叠分布特性及特征可加性原理，研究多尺度自适应分区域的粒子特征值的计算方法，预期可大大简化重叠粒子的特征提取；在粒子状态的鲁棒估计方面，基于新兴的压缩感知理论，从时变稀疏字典的建立机理入手，通过分析遮挡、形变等干扰因素对行人目标特征的影响，提出一种行人目标描述字典的实时生成方法。在此基础上，对建立的动态字典进行基于压缩感知理论的l1范数求解，以稀疏度作为粒子加权值，将有效实现目标大小变化及存在遮挡时的鲁棒跟踪。本课题对粒子滤波过程中重叠粒子分布机理、有限可加特征的选取原则、应用方法以及在线稀疏字典的高效自动生成方法等关键问题展开研究。

本课题的研究背景为目前取得广泛关注的复杂场景下行人目标跟踪问题，主要的研究目标是通过对粒子滤波方法中重叠粒子分布规律的研究，获得实时性和鲁棒性相结合的行人跟踪方法。主要研究内容分为粒子滤波算法中的特征计算及状态估计两个核心环节的研究与改进。其中在特征计算方面，基于粒子滤波过程中粒子的重叠分布特性及特征可加性原理，研究了复杂背景下的粒子特征值的高效计算方法，大大简化了重叠粒子的特征提取；在粒子状态的鲁棒估计方面，将压缩感知理论成功应用于待跟踪目标的实时字典建立问题，克服了遮挡、形变等干扰因素对行人目标特征的影响，提出一种行人目标描述字典的实时生成方法，并对建立的动态字典进行基于压缩感知理论的 l1 范数重构，以重构相似度作为粒子加权值，实现了目标存在遮挡时的鲁棒跟踪。行人目标跟踪问题涉及图像分析、机器视觉、模式识别、人工智能等众多研究领域，在视频监控、智能车系统、人机交互、虚拟现实等领域有着广泛的应用前景；粒子滤波方法及其蕴含的蒙特卡洛方法的基本思想，适用于解决包括行人目标跟踪问题在内的一系列非线性最优化的问题，本课题通过对该方法的深入分析，在粒子滤波的实现速度及准确率上都有了一定的成果，具有一定的科学意义和应用价值。