为了处理运动目标跟踪中的遮挡、光照变化以及背景杂乱等问题, 提出了一种基于加权多实例学习的压缩感知目标跟踪方法。在提取图像块类Haar特征的基础上, 采用随机投影方法对高维特征进行压缩, 结合加权多实例学习策略, 在boosting学习框架下训练分类器, 根据分类器最大响应值得到跟踪目标图像块。使用矩形框手动标定第一帧图像的目标, 对后续帧采样的正负实例的类哈尔特征进行压缩, 通过这些样本特征训练分类器, 得到跟踪结果。实验结果表明, 所提算法具有较高的跟踪精度、实时性和鲁棒性, 对所选的四个具有挑战性的视频序列, 跟踪成功率都能超过89%, 帧率也超过26f/s。

复杂和多光照场景下的光照估计是颜色恒常性计算的难点和热点。提出一种对数域中基于实例学习的光照估计方法。通过分析光照对图像色度的影响,提取对数色度直方图作为光照一致性特征,在实例学习框架下,根据特征相似的已知光照实例估计目标场景光照。算法分割原始图像为多个光照均匀场景,分区域估计局部光照,并融合得到整幅图像的全局光照信息。在多组单光照和多光照数据集上的实验结果表明,相较于其他先进方法,本文方法在不同数据集上的光照估计误差中位数降低了5%~14%,精度更高且稳健性更好。

采用矩形框表示目标会引入背景干扰，导致跟踪性能下降，故利用多实例学习的特点对背景干扰建模，提出了一种采用在线多实例学习的超像素跟踪算法。在训练阶段，以超像素作为实例，根据位置将这些超像素分为具有明确标签的多个实例包，进而将跟踪转换为多实例学习问题。然后，在所提算法中实现了在线多实例学习，通过求实例包的似然函数最大化，从弱分类器池中选择K个最优的弱分类器组合为强分类器,在下一帧的检测阶段，利用学习的强分类器生成目标置信图。最后，采用粒子滤波方法从置信图中估计目标状态,在2.6 GHz主频的笔记本电脑上，所提算法的跟踪速率可达15 frame/s。在多个视频序列上的对比实验表明，该算法对复杂背景、目标高速运动、遮挡等具有更好的鲁棒性和精度，且跟踪精度和成功率的典型值分别达到了91%和90%，比原始超像素跟踪算法分别高出了21%和26%。