基于改进量子粒子群的视觉跟踪方法-模式识别与智能系统专业论文.docxVIP

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进 行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 视觉跟踪是计算机视觉领域中一个重要的组成部分，被广泛地应用于智能交通、监控、 人机交互等场景中。同时，由于应用场景的复杂性，设计一个鲁棒的、实时的跟踪方法依旧 是一个研究中的难题，因此，视觉跟踪有着很大的研究价值和探索空间。 由于视觉跟踪的过程可以被视为是一个动态寻优的过程，因此，用于解决最优化问题的 优化算法被广泛地应用于视觉跟踪中。而粒子群优化（Particle Swarm Optimization，PSO）算 法是目前群体智能算法中的一个较热门的研究点，可以用于解决优化问题，并且由于其简单 易实现、寻优效率高等特点受到了广泛的关注。介于上述分析，基于 PSO 的视觉跟踪在理论 上可以作为视觉跟踪中的一个新的领域进行探索，并已经取得了一定的成果。 大量实践证明了基于 PSO 算法构建的视觉跟踪方法是可行的，并且有着良好的性能。然 而，PSO 已经被证明是一种局部最优的算法，即容易收敛于局部最优解。基于量子理论的量 子粒子群（QPSO）算法在保持了 PSO 优点的基础上，克服了 PSO 在全局收敛性上的不足， 有着更好的全局收敛性。本文考虑将 QPSO 引入到视觉跟踪中，基于 QPSO 设计一个鲁棒的 跟踪算法，但 QPSO 存在着种群多样性的问题，在一定程度上会影响到跟踪的效果。本文首 先提出了差分进化量子粒子群（DE-QPSO）算法，该算法将差分进化（DE）算法的思想引入 到 QPSO 中，在 QPSO 的粒子状态更新过程中添加差分进化算法中的变异、交叉和选择操作， 以丰富种群多样性，因此 DE-QPSO 在保持了 QPSO 全局收敛能力优点的同时，能够进一步 提升算法的性能，并使得算法更加鲁棒。另外，在目标外观模型上，采用了分块的思想，结 合高斯混合模型（Gaussian Mixture Model，GMM），提出了基于局部块的高斯混合模型 （Patch-GMM）以及相应的模型更新方法，基于局部块的外观模型可以使得目标外观不易受 到环境的影响，使得跟踪更为鲁棒。最后结合前两个研究点，提出了基于 DE-QPSO 的跟踪 方法。本文进行了大量的实验，实验结果表明，基于 DEQPSO 的视觉跟踪是可行的，并且在 很多数据集中表现优异，能够克服不少视觉跟踪中的难点，如目标外观变化、尺寸变化、快 速运动、运动模糊以及遮挡等。 关键词: 视觉跟踪，量子粒子群，差分进化，局部块外观模型 I Abstract Visual tracking is one of the most important applications in computer vision. It is widely used in intelligent transportation, virtual reality, automated surveillance, human-computer interaction and so on. Meanwhile, due to the complexity of the scene where the object lies in, it is still a research problem to design robust, real-time tracking method. Therefore, visual tracking is of great value in research and has huge space for development. Since the tracking process can be formed as a dynamic optimization problem