基于遺傳算法和狀態(tài)轉(zhuǎn)換的目標跟蹤研究.pdf

1、計算機視覺指利用攝像機和電腦分別代替人類的眼睛和視覺系統(tǒng)，從而實現(xiàn)對外部世界視覺信息的自動收集、分析、處理和響應，使計算機能看懂并理解現(xiàn)實世界。雖然目標跟蹤技術經(jīng)過多年的發(fā)展，已經(jīng)成為人工智能領域比較活躍的課題之一，并取得了很大的進步和應用，但由于現(xiàn)實環(huán)境復雜，跟蹤目標多變，現(xiàn)在想要開發(fā)出準確度高、魯棒性強、實時性棒的泛化跟蹤器仍然具有很大挑戰(zhàn)。為了應對這些挑戰(zhàn)，本文主要創(chuàng)新工作如下所示:
　　(1)針對單目標跟蹤挑戰(zhàn)，本文提出了

2、基于遺傳算法增強的邏輯回歸單目標跟蹤算法，主要從四個方面對其進行了創(chuàng)新性改進:運動模型、外觀模型、模板更新機制以及正負樣本選擇機制等等。首先，為了解決候選區(qū)域的選擇問題，提出了一種新穎的智能運動模型，它不僅利用粒子濾波算法做局部搜索，而且創(chuàng)造性地利用遺傳算法做全局搜索，有效解決了目標的快速運動難題;然后，提出了新穎的模型更新機制，以便跟蹤器實時地應對目標形變帶來的影響;接著，提出魯棒的正負樣本選擇機制，可有效地解決跟蹤漂移難題;最后，高

3、效地將FHOG特征與Lab特征組合，作為目標的外觀描述，進一步增強了跟蹤器的魯棒性。同時，在目標跟蹤基準(OTB)[15]上進行了跟蹤器成分實驗與分析，證明了本文算法創(chuàng)新點的有效性，并歸納總結了影響跟蹤算法整體性能的重要因素;而且將其與OTB中的9種傳統(tǒng)跟蹤器和7種性能較優(yōu)的跟蹤器做了總體性能比較，進一步證明本文跟蹤器的性能最佳。
　　(2)對于多目標跟蹤挑戰(zhàn)，本文針對基于狀態(tài)轉(zhuǎn)換的多目標跟蹤算法進行了研究和改進。首先，本文改進了

4、一種基于狀態(tài)轉(zhuǎn)換的多目標跟蹤框架[35]，使該框架擴展性能和泛化能力都有效增強，其它高效的檢測算法和跟蹤算法都很容易進行移植;然后，本文把復雜的多目標跟蹤問題轉(zhuǎn)化為簡單的五種跟蹤狀態(tài)之間的決策轉(zhuǎn)換問題以及相應的數(shù)據(jù)關聯(lián)問題;接著，本文通過結合線下學習和在線學習兩種方法的優(yōu)勢，進一步增強決策函數(shù)的泛化性能與數(shù)據(jù)關聯(lián)能力;最后，在多目標跟蹤基準數(shù)據(jù)庫[70]中做了兩組實驗，用于驗證本文跟蹤器的性能，同時和當前多目標跟蹤領域中性能較優(yōu)異的9種