基于增量式子空间学习的红外目标跟踪研究

在对红外图像目标进行跟踪时,由于图像成像质量差致使目标的跟踪较为困难,采用一种基于增量式子空间学习的视觉跟踪方法,有效解决了红外图像中背景、目标运动方式复杂等问题;该方法基于粒子滤波,利用增量式主成分分析方法增量地学习一个有效的低维特征空间来适应目标外部结构的变化,鲁棒的跟踪红外图像中的目标;实验结果表明,该算法在具有复杂条件的红外图像中能够实现鲁棒的目标跟踪,跟踪成功率高达95%以上。

基于增量式子空间学习的视觉跟踪系统

为了提高视觉跟踪方法在物体外观发生变化时的性能,提出一种基于增量式子空间学习的视觉跟踪系统。该系统利用基于增量式主成分分析的粒子滤波方法增量式地学习一个表示跟踪结果的低维特征空间,以反映目标物体的外观变化。实验结果表明,当目标物体在复杂环境中承受姿态和光照变化时,该视觉跟踪系统具有更好的性能。

一种基于子空间学习的实时目标跟踪算法

针对当前目标跟踪算法鲁棒性低且运算慢的问题,本文提出了一种基于子空间学习的实时目标跟踪算法。该方法在粒子滤波跟踪框架下,采用增量式PCA子空间学习方法学习一个正交子空间,利用学习到的正交子空间对目标外观进行线性表示;针对目标在遮挡、运动模糊等复杂干扰状态下容易产生跟踪漂移的问题,本文建立了一个将遮挡等复杂因素考虑在内的观测模型和模板更新方案,解决了基于最小均方误差准则的传统观测模型在复杂场景下的跟踪漂移问题。实验结果表明,本文的跟踪方法能够达到很高的跟踪精度,同时也达到了接近实时的跟踪速度。