马尔可夫随机场理论在目标跟踪中的应用

《马尔可夫随机场理论在目标跟踪中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ComputerEngineeringandApplications计算机工程与应用马尔可夫随机场理论在目标jjll】!踪巾的应用楚瀛，符杨CHUYing，FUYang上海电力学院电力与自动化工程学院，上海200090SchoolofElectricPowerandAutomationEngineering，ShanghaiUniversityofElectricPower，Shanghai200090，ChinaCHUYing．FUYang．StudyonmethodofoHecttrackingbasedMarkovrandomfield．ComputerEngineerin

2、gandAppfi-cations。2011．47(28)：176—178．Abstract：Scalechange。rotatechangeandoccludingofmovingobjectCancausetothefailureofobjecttracking．Forsolv—ingtheseproblem，thispaperproposesamethodbasedMarkovrandomfield．TheproblemofobjecttrackingisconsideredasabinarylabelproblemandMarkovrandomfieldsofforegr

3、oundsegmentismodeled．Experiermentsdemonstratethismodelisrobustforscalechange，rotatechangeandoccluding．Keywords：objecttracking；Markovrandomfield；scalechange；rotatechange；occluding摘要：在目标跟踪问题中，被跟踪目标的尺度变化、旋转变化和遮挡都会造成跟踪精确度的降低或目标的丢失。针对这些问题，提出了一种基于马尔可夫随机场的目标跟踪方法，将运动目标跟踪问题看作是前景和背景的二值分类问题，建立前景背景分割的马尔可

4、夫随机场模型，从而实现对前景背景的分类，以完成对运动目标的跟踪。试验证明，这种方法可以有效地克服前景目标的尺度变化和旋转变化以及遮挡给目标跟踪带来的困难．关键涧：目标跟踪；马尔可夫随机场；尺度变化；旋转变化；遮挡DOI：10．37780．issn．1002．8331．2011．28．048文章编q-：1002．833l(2011)28．0176．03文献标识码：A中图分类哮：TP391l前言目标跟踪是计算机视觉研究的一项重要任务，也是智能视频监控的重要研究内容。运动目标跟踪算法主要应用在以下方面：基于运动的识别，自动监控，视频索引，人机交互，交通监控，汽车导航，无人值守变电站。简

5、单来说，目标跟踪就是当一个目标在一个场景中运动时，如何估计这个目标在图像平面上的运动轨迹。换句话说，。一个跟踪器就是在不同帧图像上标记同一个目标的位置。另外，一个跟踪器也能标定目标的中心位置，朝向，区域和形状等信息。以往的跟踪方法研究把注意力主要集中在对被跟踪目标进行建模，并且取得了很多不错的成果，比较有代表性的是相关跟踪，均值平移跟踪，粒子滤波跟踪等。跟踪问题实质上是一个前景运动目标和背景的分类问题，以往的方法是寻找被跟踪目标在特征空间里比较密集的子空间。国内外学者也探讨过如何分别寻找被跟踪目标和背景各自在特征空间内的分布。Lin等nI建议了一种自适应的判别产生式模型，用一个F

6、isher线性判别函数来分辨前景运动目标和背景。Comaniciu等人”1把这种思想用在了MeanShift算法中，该算法把出现在背景中也

7、一时出现在前景中的颜色的权重在实现时降低。Collins等人13]提出了一种在线的特征选择算法，该算法构造了—个颜色特征库，实时地对特征库里的特征进行评估，以选出最有效的特征或者特征组合。ShaiAvidant41提出了一种集成跟踪方法，该方法选择了27个特征作为弱分类器，通过集成学习方法进行特征选择，对前景和背景进行分类。在目标分类问题中，先验知识的选取对目标分类的精确性也有很大的影响。本文在跟踪问题的研究中，将跟踪问题作为前景目标和背景的

8、分类问题，而且还考虑了先验知识的影响，这样跟踪问题就是一个结合先验知识和判别式模型的优化问题。马尔可夫随机场[51是解决这类问题的理想模型。因此本文通过建立和求解前景目标和背景分割的马尔可夫随机场模型来实现运动目标的跟踪。2研究思路和基本步骤跟踪问题实质上是前景目标和背景的分类问题。以基于统计模型的两类分类问题为例，如果对两类目标A和B分类，第一步是选择合适的特征，分别得到目标A和B在特征空间内的概率分布密度，通过贝叶斯决策，对目标A和B分类。如果考虑到先验知识对目标分类的约束作