目标运动突变和几何外观急剧变化的视觉跟踪

Visual tracking has received worldwide attention in computer vision community. One of problems with challenge is the tracking of object with abrupt motion and geometric appearance change. The traditional visual tracking methods cannot be available because of their limitation of continuous motion assumption..In order to solve this tracking problem, we propose a new tracking method including: 1) statistically modeling uncontinuous motion in the framework of Bayesian filtering and designing the updating method of the model, which is able to make effectively classifying object area according to the different dependability. 2) adaptively modeling object with abrupt geometric appearance change, which is able to both keep the space structure of object and reflect geometric appearance change which is useful for adaptively tracking of nonrigid object. 3) researching Aaptive Markov Chain Monte Carlo (AMCMC) sampling based tracking method to overcome the local-trap problem in sampling. Finally, we examine the performance of the proposed tracking and sampling methods with the public dataset and make analysis of computational complexity and convergency of the proposed tracking method.

视觉跟踪是计算机视觉研究领域中的一个重要问题。运动和几何外观急剧变化情况下的目标跟踪是视觉跟踪的难点，基于连续运动条件假设的传统视觉跟踪算法在解决这一问题时有很大的局限性。.本项目提出了在目标运动和几何外观剧急剧变化情况下的视觉跟踪算法研究，包括：1）在贝叶斯滤波框架下，针对目标运动的不连续性进行统计建模， 设计有效的模型更新方法，从而对目标的空间区域按照不同的置信度进行有效的分类；2）针对目标的几何外观急剧变化进行自适应建模，既保留目标的空间结构信息又能体现其外观的几何变化，实现在复杂条件下的自适应目标跟踪；3）研究序贯马氏链蒙特卡洛(adaptive MCMC)跟踪算法，解决陷入局部最优状态的采样问题，实现对目标运动和几何外观急剧变化的滤波分布的自适应采样。最后，基于公用测试数据集对跟踪算法的性能和采样算法的稳定性进行测试，并进行算法的计算复杂度和收敛性质的理论分析。

1）项目背景：视觉跟踪是计算机视觉领域中的一个重要问题。传统的视觉跟踪技术一般都基于目标运动和几何外观变化的连续性假设，无法有效地解决复杂情况下的目标跟踪。在实际应用的复杂场景中，视觉跟踪可能涉及到：目标运动的极大不确定性；低帧率视频目标跟踪；多视角多摄像机场景中的目标跟踪；几何外观急剧变化的非刚性目标跟踪等。传统的跟踪算法难以满足这些实际需求，需要探索新的跟踪理论和方法。因此，本项目提出的研究内容具有重要的学术和应用价值。.2）主要研究内容：研究在贝叶斯滤波跟踪框架下的目标运动的不连续性统计建模；研究在目标几何外观急剧变化情况下的自适应外观模型，设计一种更具有通用性的目标拓扑结构模型；研究高效的蒙特卡洛采样方法，设计一种对复杂多模分布进行采样的自适应马氏链蒙特卡洛(Adaptive MCMC)算法；基于公共数据集，测试和评估跟踪算法在不同条件下的各项性能指标。.3）重要结果：提出了基于近邻场随机逼近的采样方法提高了运动跟踪的效率；提出了一种用于前景检测的背景基选择方法，提高了复杂背景下的前景检测率；提出了一种局域约束协同模型使视觉跟踪更加鲁棒；提出了一种利用全局线索的视频对象姿态估计方法；提出了一种视频对象分割聚集方法。申请发明专利5项，获批1项，其他几项在审理中。在国内外重要学术期刊和国际会议上发表38篇，其中，SCI检索的重要国际期刊8篇,EI检索30篇。培养相关领域的博士5名，硕士生16名。..4）关键数据及其科学意义：公共数据集的测试中，在目标跟踪的准确率达到100%的前提下，跟踪的效率达到30帧/秒，中心误差17%，远小于当前最好的方法的45%，对于将所提出的的方法用于实时目标跟踪具有重要的应用价值。姿态的估计的定位误差为0.61远小于最好方法的1.9，有利于提高人体动作的识别率。