支持增量式稀疏编码的在线协同目标跟踪研究

Video object tracking now is still one of the research hotspots in computer vision，because it has very important application value in military and civilian fields. The object image is always affected by the changes of pose, shape and illumination, occlusions and other factors，there is still many problems to be solved for achieving stable and ralisble object tracking, such as the object being lost, the imbalance of sample data. Aiming at overcoming the above challenge, this project mainly discusses the tracking based on the incremental saprse coding, detection based on active SVM as well as online learning based on cooperative mechanism. The innovation of the project is: (1) to propose a robustly sparse coding algorithm, which includes the constrcutions of a sparse model via joint 1、2 norms and a feature selection approach, object subspace updating method based on online learning; (2) one strategie is used to improve the learning speed and recognition ability of SVM algorithm, it is to use a dynamic clustering for selecting the best representative negative samples; (3) to solve the inconsistent problem on the samples obtained from the tracker and detector, a cooperative mechanism is used; (4) the proposed framework of object tracking can realize synchronous updating on the tracker and detector. This study will promote the development of theroey, technology and application in pattern recogntion, machine leanring and video surveillance.

基于视频的目标跟踪由于其在民用和军用领域具有极其重要的应用价值，因而目标跟踪现在仍然是计算机视觉中的研究热点之一。由于目标图像易受到姿态、形状、光照的变化以及遮挡等因素的影响，想要实现稳定可靠的目标跟踪仍然有许多亟待解决的问题，如目标易丢失，样本数据的不平衡性等。针对以上问题，本项目将以基于增量式稀疏编码的跟踪，基于主动选择的SVM检测和基于协同机制的在线学习为攻关内容对复杂状况下的目标跟踪问题进行基础研究探讨。本项目的创新之处：拟提出基于结合1、2范数的稀疏编码及其特征选择算法和在线的目标子空间更新方法；考虑设计利用K均值聚类选取最有代表性负样本的策略来提高SVM检测器的学习速度和识别能力；拟利用协同机制解决跟踪器与检测器所得样本不一致的问题；提出的目标跟踪框架能实现对跟踪器与检测器的同步更新。本课题将有利推动模式识别、机器学习和视频监控理论、技术和应用。

本项目主要面向于公共安全应用需求，立足于智能视频监控，针对已有跟踪方法在目标发生剧烈形变、严重遮挡以及环境光照急剧变化等复杂条件时性能不高的问题，提出了一种支持增量式稀疏表示的在线协同目标跟踪方法，其所涉及的主要研究内容包括：基于增量式稀疏表示的跟踪器模块，基于相关滤波的检测器模块以及基于稀疏选择的在线学习模块等。.在基于增量式稀疏表示的跟踪器模块中，提出了基于外观分块区域化稀疏表示的目标跟踪模型，该模型包括了目标子区域稀疏表示，柔性模板集更新机制和动态子区域重采样三个部分，其分别实现了目标在不同部位上的对齐，防止在不同子区域上发生误匹配；为匹配到更好的候选目标提供准确的模板依据；及时修正跟踪结果，有效防止目标跟丢。在对目标外观的稀疏建模方面进行了更加深入地研究后，提出了基于小波变换的多波段联合局部稀疏跟踪方法，该方法在通过采用小波变换将目标图像分解成不同波段下的子带图像，然后在局部块上进行多波段联合稀疏表示求解，从而实现了对跟踪目标的多波段信息融合和有效描述。.在基于相关滤波的检测器模块和基于稀疏选择的在线学习模块中，提出了基于稀疏选择的二元模式相关滤波模型，该模型同时维护了两个不同的相关滤波检测器，可解决因长时间目标外观较大变化所造成的性能下降问题。同时将基于第一帧目标样本所得响应地图的全局最大值定义为变形率，在对候选结果进行判定时，这是重要的参考数据。当目标跟丢后，提出了动态局部区域目标重检测法，可极大地增加重新找回目标的概率。当来自两个跟踪器的候选结果出现分歧时，该模型创新性将基于稀疏模板的重构机制引入到对不同候选目标结果的判定选择上，从而可准确选定目标，有效缓解漂移发生。.本项目成果提高了复杂条件下目标跟踪的精度、实时性和鲁棒性，研究成果可用在智能视频监控、智能交通等实际系统中，具有重要的理论意义和广阔的应用前景。