基于增量学习的关节式目标跟踪算法*

赵运基 裴海龙

(华南理工大学自主系统与网络控制教育部重点实验室∥自动化科学与工程学院，广东广州510640)

目标跟踪广泛应用于运动识别、视频检索、交通监测、车辆导航［1］和增强实现［2］等领域．尽管针对不同跟踪目标提出了多种跟踪算法，但找到一种普遍适用的跟踪算法仍然是一个具有挑战性的课题．这主要源于目标形状和位置的变化，很难得到目标稳定的特征，同时环境光照变化、复杂的背景等给跟踪算法的自适应性能提出了挑战．

跟踪目标的特征描述直接影响跟踪算法的效果．目标的特征描述方法有空间分布颜色直方图［3］、轮廓描述［4］、混合模型的目标描述［5］和小波特征描述等［6］．近年来，子空间方法因计算简单、有效等特性而在特征提取领域得到了广泛应用．其本质是将原始的高维样本数据投影到更有利于分类的低维特征子空间．特征跟踪算法［7］首次将子空间描述［8］引入到目标特征描述领域，应用低维子空间的线性组合近似地重建训练图像，通过离线训练图像样本得到目标的低维子空间向量描述，然后应用梯度下降法进行运动参数估计．离线的图像样本训练直接影响跟踪系统的实时性，基于梯度下降法的运动参数估计经常收敛于局部的极值点．文献［9］中提出了应对目标形变和环境变化的子空间更新算法．该算法在跟踪过程中通过在线学习得到目标的特征子空间，同时在目标跟踪过程中应用粒子滤……