視頻追蹤算法研究

《視頻追蹤算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、視頻追蹤算法研究摘要簡(jiǎn)要介紹了視頻追蹤的簡(jiǎn)單知識(shí)，系統(tǒng)全面的介紹了視頻追蹤的兒種算法，包括基于自適應(yīng)顏色屬性的追蹤算法、基于壓縮感知理論的追蹤算法、基于概率連續(xù)異常值的追蹤算法。關(guān)鍵詞視頻追蹤；顏色屬性；壓縮感知；概率連續(xù)異常值屮圖分類號(hào)G2文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)2096-0360(2015)01-0037-02視頻追蹤是近年來新興的一個(gè)研究方向，它融合了計(jì)算機(jī)視覺，模式識(shí)別等學(xué)科技術(shù)，在安全監(jiān)控，視頻壓縮與檢索等方面有廣闊應(yīng)用前景。系統(tǒng)以圖像序列輸入，輸出則是圖像中目標(biāo)的各種屬性，如大小，位置等。其目的是為了判斷圖像序列屮目標(biāo)的位置。影響視頻追蹤的原因冇多個(gè)，如光照不變、部分遮擋

2、、變形等。追蹤算法通常分為生成式算法和判別式算法。1基于自適應(yīng)顏色屬性的追蹤算法1.1追蹤器追蹤器是從單一圖像片段屮學(xué)習(xí)一種核心的最小二乘目標(biāo)分類器，該追蹤器具有顯著速度的關(guān)鍵是這種追蹤器研究出的循環(huán)結(jié)構(gòu)似乎能夠從局部圖像片段中進(jìn)行周期性假設(shè)，這里我們簡(jiǎn)要介紹一下該算法。這種分類器使用一種單一的灰度圖像片段進(jìn)行訓(xùn)練，圖像片段的大小是的，且分布在冃標(biāo)對(duì)象的中心。這種追蹤器考慮所有的循環(huán)變化，，并將其作為分類器的訓(xùn)練樣木。這些樣木以一種高斯函數(shù)來進(jìn)行標(biāo)記，以便用來標(biāo)記。這種分類器通過成本函數(shù)最小化(1)進(jìn)行訓(xùn)練，如下式所示。(1)這里是通過核函數(shù)誘導(dǎo)得到的希爾伯特空間的映射，內(nèi)積定義

3、為，常數(shù)是一個(gè)正則化參數(shù)。成本函數(shù)(1)是山最小得到的，這里的系數(shù)定義如下：(2)這里是離散傅里葉變換。我們定義離散傅里葉變換：，這里是由核函數(shù)輸出得到的。等式(2)中若是平移不變的，也就是對(duì)丁?所有的，都有。在新的一幀中，檢測(cè)步驟是通過對(duì)大小為的灰色圖像片段進(jìn)行第一次裁剪而執(zhí)行的。檢測(cè)的分?jǐn)?shù)是由計(jì)算得到的，這里的是樣本片段的傅里葉變換核輸岀。這里表示日標(biāo)外觀的灰度圖像片段，并且是由多種幀獲得的。在新的一幀，目標(biāo)位置是通過尋找合適的變換以找到的最大分?jǐn)?shù)來估計(jì)的。這里的核輸出和能夠通過使用快速傅里葉變換有效地計(jì)算出來。1.2算法思想最先進(jìn)的視覺追蹤器依靠亮度信息或使用簡(jiǎn)單的顏色表示

4、來對(duì)圖像進(jìn)行描述。與視覺追蹤相反的是，対象識(shí)別和檢測(cè)、復(fù)雜的顏色特性結(jié)合亮度顯示時(shí)能夠提供較好的性能。由于追蹤的復(fù)雜性，應(yīng)該高效的計(jì)算所需的顏色特性，擁有一定數(shù)量的光度不變性，同時(shí)保持高辨別力?；诖?本節(jié)提出了該算法，該算法是在追蹤器的基礎(chǔ)上獲得的新算法，山于追蹤器對(duì)于多通道信號(hào)的處理結(jié)果是次優(yōu)的，從而為了解決這個(gè)問題，本文自適應(yīng)的更新樣木，采用多通道追蹤器進(jìn)行訓(xùn)練。高維物體的顏色屬性能夠?qū)е掠?jì)算量的增加，因此限制了該算法的應(yīng)用。2基于壓縮感知理論的追蹤算法1.1壓縮感知理論2.1.1隨機(jī)投影設(shè)置一個(gè)隨機(jī)矩陣，該矩陣的行是從高維圖像空間到低維空間的單位長度的投影數(shù)據(jù)，符號(hào)表示為

5、(3)隨機(jī)矩陣屮n〈5,理想情況下，希望提供一個(gè)穩(wěn)定的嵌入，能夠近似的保留所有對(duì)原始信號(hào)間的距離。如果在(3)中的隨機(jī)矩陣滿足Johnson-Lindenstranss引理，且是可以壓縮的，我們便能夠從中高概率選取并以最小誤差重構(gòu)，且要確保中幾乎保留中所有信息。使用的非常稀疏矩陣不僅要滿足Johnson-Lindenstranss引理，而且要能夠有效地計(jì)算實(shí)時(shí)的追蹤。2.1.2隨機(jī)測(cè)量矩陣滿足限制等距特性的一種典型的測(cè)量矩陣是隨機(jī)高斯矩陣，下面的，當(dāng)這個(gè)矩陣是稠密的，并且是很大的情況下，該矩陣的存儲(chǔ)和計(jì)算量仍然是很大的。在本小節(jié)中，使用了一個(gè)非常稀疏隨機(jī)測(cè)量矩陣，英定義如下:(4

6、)Achlioptas[2]證明了這種類型的矩陣在時(shí)滿足Johnson-Lindenstranss引理。這種矩陣只需要一種統(tǒng)一的隨機(jī)生成器，便很容易的計(jì)算出來。更重要的是，當(dāng)時(shí)，這種矩陣是非常稀疏的，因?yàn)檫@時(shí)可以避免計(jì)算量的2/3。另外,Lietal.[3]指出，這種矩陣是近似正態(tài)分布的。在木小節(jié)中，我們?cè)O(shè)置，從而得到一個(gè)非常稀疏的隨機(jī)矩陣。2.2算法思想在壓縮領(lǐng)域，木文介紹了一個(gè)有效的基于多尺度特征空間的特征提取的方法來構(gòu)造外觀模型，同時(shí)將正負(fù)樣本通過尺度變換，對(duì)樣本量進(jìn)行擴(kuò)充；再對(duì)擴(kuò)充的樣本進(jìn)行壓縮，然后將這個(gè)多尺度的樣本空間的樣本通過稀疏矩陣投影到低維空間中。構(gòu)造的外觀模型

7、用來生成基于特征提取的R標(biāo)，它也是判別式的。3基于概率連續(xù)界常值的追蹤算法3.1基于概率連續(xù)異常值的追蹤框架視頻追蹤被看作一種隱馬爾可夫模型的貝葉斯推理任務(wù)。給定一系列觀測(cè)樣木，直到第幀的位置，其目的是遞歸地估計(jì)隱藏的狀態(tài)變量，，這里代表兩種連續(xù)狀態(tài)間的運(yùn)動(dòng)模型，表示觀測(cè)模型，該觀測(cè)模型能夠估測(cè)屬丁?目標(biāo)類型的觀測(cè)圖像片段的可能性。類似于增量視覺追蹤方法[4],我們使用仿射變換的6個(gè)參數(shù)來表示運(yùn)動(dòng)模型。狀態(tài)變換通過無規(guī)則運(yùn)動(dòng)表述，也就是說，，這里是一個(gè)對(duì)角協(xié)方差矩陣。2.1.1觀