復雜地面背景下目標魯棒跟蹤技術研究.pdf

1、復雜地面背景下目標魯棒跟蹤技術是實現無人機對地偵察打擊任務的基礎，也是各類精確制導武器在末制導階段實現實時準確捕獲目標的關鍵。然而由于地面場景中存在光照變化、遮擋、尺度縮放、旋轉、非剛體形變、雜亂背景干擾、由物體突然運動引起的圖像模糊、相似物干擾等挑戰因素，對運動單目標進行魯棒跟蹤仍面臨諸多困難。本文從一個典型跟蹤系統包含的四個組成部分入手展開研究，以半監督在線學習理論為基礎，提出相應的跟蹤算法以克服上述因素的影響。主要研究內容包括以下

2、幾方面：
　　1、介紹了半監督在線學習的基本理論及兩類典型的基于半監督在線學習的目標跟蹤方法：Online MIL跟蹤與TLD跟蹤。它們對開展復雜地面背景下目標魯棒跟蹤技術研究具有重要的指導及借鑒作用。Online MIL跟蹤用包袋來封裝具有相近標簽的實例，并用包袋標簽代替實例標簽，通過對樣本標簽進行模糊化處理以弱化監督效應，能較好的解決樣本模糊問題，其實質是對目標外觀表示方法的創新。TLD跟蹤提出了一種新的目標跟蹤框架，利用在線

3、學習機制融合跟蹤結果與檢測結果，同時在線學習也使跟蹤算法具有”記憶”功能，當丟失的目標在視場中重現時，能夠重新捕獲到該目標，它拓展和完善了傳統的基于檢測的目標跟蹤理論，彌補了僅依靠純檢測或純跟蹤方法存在的跟蹤性能不穩定的不足，實質是對跟蹤方法的創新。
　　2、提出了一種具有尺度自適應的特征壓縮跟蹤方法，解決辨別式跟蹤算法中的樣本特征降維及對目標尺度變化的適應性問題。將壓縮感知理論引入目標跟蹤領域，首先用一個滿足有限等距準則的高斯隨

4、機測量矩陣對提取的樣本特征進行壓縮降維，再用降維后的特征進行分類，這不僅有助于降低計算量、提高跟蹤算法的實時性，而且由于壓縮特征保留了原始特征的大部分信息，因而能較好的表征目標特性、保證目標跟蹤精度。同時，為了使跟蹤算法適應目標尺度變化，在樣本采樣階段，通過結構約束性采樣獲得能盡量反映目標位置及尺度變化的樣本集，以便在跟蹤過程中能找到與目標當前狀態匹配的最佳樣本。
　　3、提出一種基于正負樣本響應差異最大化的在線加權特征選擇目標跟

5、蹤方法，解決特征冗余問題。分類器輸入特征數量與輸出性能之間不一定存在線性關系，當特征數量超過一定值時，不僅耗費巨大的計算開銷，而且還會降低分類器輸出性能。通過定義一個樣本響應差異函數來選擇多個特征選擇器(即弱分類器)組成強分類器，并用該強分類器對樣本進行分類，分類得分最高的樣本塊即對應當前幀跟蹤結果。在選取特征選擇器組成強分類器過程中，根據樣本與目標位置間的距離及重疊度關系賦予該樣本相應的權重，以突出正樣本、抑制負樣本，增強分類器對正負

6、樣本響應的辨識能力，從而找出最佳正樣本來描述目標當前狀態。
　　4、提出一種基于壓縮特征稀疏表示的目標跟蹤方法，解決壓縮特征在 PCA子空間中的表示問題。PCA子空間表示法用目標模板集的主成分分量來描述候選目標，極大地增強目標外觀描述能力，能夠克服噪聲、光照變化的影響。利用生成式表示策略及增量學習更新方式對表示目標外觀模型的壓縮特征子空間及瑣碎模板進行稀疏表示，將目標跟蹤看成是壓縮特征的稀疏近似問題。為了更新遮擋條件下的目標外觀模

7、型，提出一種逆指示策略，根據壓縮特征子空間獲得的似然值尋找原始圖像空間中具有最大觀測似然的圖像塊。與基于模板集或基于PCA子空間的目標外觀表示方法相比，本文方法雖然也需解決一序列l1正則最小二乘問題，但由于壓縮特征維數低，故計算復雜度大大降低。本文方法對光照變化、部分遮擋、尺度及姿態變化等因素的影響具有較強的魯棒性。
　　5、基于上下文在解決目標抗遮擋、相似表觀干擾等方面表現出的優越性，提出兩種基于上下文輔助的目標跟蹤方法。

8、>　　一種是基于兩級隱式形狀模型的目標抗遮擋跟蹤方法，主要解決嚴重遮擋條件下的目標定位問題。在兩級碼本特征中，一級特征源于目標自身，另一級特征源自周圍目標，用這些碼本特征構建兩級投票模型。根據遮擋程度的不同，賦予這些特征不同的投票權重，以提高遮擋條件下的目標定位精度，該方法實質是利用稀疏上下文輔助目標跟蹤。
　　另一種是具有尺度及方向自適應的時空上下文(SOASTC)輔助目標跟蹤方法，將目標跟蹤看成是一個貝葉斯框架下求解目標位置似