自适应融合多种相关滤波的多传感器信息融合技术.docxVIP

自适应融合多种相关滤波的多传感器信息融合技术 0 空间正则化-相关滤波方法 视频跟踪是计算机视觉领域的一个经典课题，在一个多月的计算机和视觉领域中得到了广泛应用。例如，在计算机和视觉领域的监控中。视频跟踪是已知第一帧图像中跟踪目标的初始信息 (中心坐标和大小) , 在整个视频序列中估计目标的轨迹, 对目标进行定位的任务。虽然近年来视频跟踪问题取得了很大的突破, 但由于跟踪过程中目标很有可能出现发生剧烈形变、被其他物体部分或完全遮挡或背景中相似物体干扰等复杂情况, 因此视频跟踪仍然面临着很大的挑战。 建立一个有效的外观模型是目标跟踪的关键步骤。目前的跟踪方法主要分为两种, 生成式模型和判别式模型。生成式方法是先对目标的外观特征进行描述学习一个模板或字典, 再搜索候选目标基于最小化重构误差得到与目标最相近的跟踪结果。由于生成法主要是对目标本身进行刻画, 缺少背景信息, 在目标本身发生剧烈变化或被遮挡时容易产生漂移, 跟踪效果不理想。与生成式方法不同, 判别式方法把跟踪当做一个分类问题, 目的是训练一个有效区分目标和背景的分类器, 从而能在复杂背景中识别出目标, 跟踪更加鲁棒。 近几年, 基于相关滤波的判别式方法因其在提高了跟踪的效果的同时达到较好的实时性而受到众多研究者的关注。相关滤波方法通过大量的训练样本学习出一个相关滤波模板, 寻找预测分布中响应峰值的偏移量来定位目标的位置。这个思想基于目标的循环周期性偏移的假设来生成大量的正负样本来训练和检测, 由于时域中的相关操作等价傅里叶域中对应元素间的操作, 巧妙地利用快速傅里叶变换计算, 从而达到计算的高效性。然而, 基于周期假设的样本训练和检测也带来了边界影响, 而且训练样本中含有大量的冗余信息, 降低了滤波模板的判别力, 当目标自身发生形态变化或者目标遇到部分遮挡甚至严重遮挡时, 模板的检测会引入更多的背景信息, 导致跟踪目标发生漂移, 跟踪失败。由于相关滤波方法对较大的目标搜索区域效果不是很好, 对于跟踪目标运动速度较快的情况, 跟踪方法无法搜索到目标而导致跟踪失败。 空间正则化的相关滤波方法 (SRDCF) 本文提出了一种将多种相关滤波方法自适应融合的跟踪方法, 利用交替方向乘子法求解相关滤波问题, 将无约束的原问题转化为有约束的两个易于求解的子问题, 在两个子问题中分别采用了不同的相关滤波方法进行求解。首先利用标准相关滤波方法进行目标粗定位, 其次, 利用空间正则化相关滤波方法对目标进行重新定位, 使检测到的目标位置更加准确, 并用来更新滤波器增强目标区域, 使学习到的滤波器具有更强的判别目标和背景的能力, 解决了循环偏移中边界偏移消极的训练样本导致学习到不正确的滤波模板的问题。本文算法的搜索范围在标准的相关滤波方法和空间正则化相关滤波方法之间, 而且两个子问题计算都较为简单, 和空间正则化相关滤波方法相比, 提高准确性的同时, 也提高了运行速度。 1 基于深度学习的跟踪方法 在视频跟踪问题上对目标的视觉描述是很重要的。近几年深度学习超强的表示能力在图像的检测和识别问题上展现了不一般的效果。而目标跟踪问题只提供了第一帧作为训练数据, 训练数据是非常有限的, 这给深度学习在目标跟踪领域的应用带来了很大的局限性。目前基于深度学习的跟踪方法通过使用辅助的非跟踪训练数据进行预训练, 获取对目标的通用表示。在实时跟踪过程利用跟踪目标的信息进行模型的微调, 从而使模型对当前跟踪目标具有更强的识别能力。Wang 基于相关滤波的判别式跟踪方法通过将输入特征的循环偏移得到的训练样本回归为目标高斯分布学习出滤波模板, 通过快速傅里叶变换提高计算速度, 目前已经成为视频跟踪领域的一种主流方法。Bolme等人 在此, 简单介绍一下基于相关滤波的跟踪方法。相关滤波方法利用循环矩阵结构, 由M×N大小原始图像块x循环漂移得到所有训练样本x 式中, λ为正则化系数, 式 (1) 是一个岭回归问题, 可以利用快速傅里叶变换到傅里叶域求解得到 式中, 2 训练样本的不确定性 相关滤波方法基于循环偏移假设在跟踪问题上实现了高效和鲁棒的性能, 但边界偏移引起的消极的训练样本破坏了目标信息, 降低了跟踪效果。空间正则化相关滤波方法 2.1 求解优化问题的正则化求解 和岭回归问题类似, 但不同的是本文的相关滤波跟踪算法的目标函数是卷积操作之后与期望间的最小二乘, 这部分可在傅里叶域得到快速求解, 但正则项部分为时域操作, 空间正则化相关滤波同时在时域和频域不好求解。本文利用交替方向乘子法 (ADMM) 进行求解, 目标函数的表达式为 式中, 交替方向乘子法最初被应用于求解大规模分布式凸优化问题, 目前在机器学习中也被广泛用来解决约束问题的最优化。首先将无约束的式 (4) 转化成带有约束的优化问题的形式 式中