發(fā)布時間：2018-01-28 20:50

  本文關鍵詞： 目標跟蹤 判別模型 貝葉斯推理 視覺詞袋 特征融合　出處：《北京郵電大學》2017年博士論文　論文類型：學位論文

【摘要】：目標跟蹤技術廣泛用于智能視頻監(jiān)控、人機交互、智能交通以及醫(yī)學輔助診斷等,具有重要的研究和應用價值。最近十年間取得了突破性進展,產生了各類新穎的算法,但是在實際應用中還面臨各種各樣的挑戰(zhàn)。主要原因在于實際復雜的應用環(huán)境,目標姿態(tài)改變、尺度變化、快速運動等自身因素以及光照條件變化、遮擋、相似背景干擾等外界因素都對準確的目標跟蹤構成挑戰(zhàn),此外實際應用對實時性的需求給目標跟蹤算法的設計增加了難度。針對各種各樣的復雜的場景以及實時性需求,本文重點從外觀模型的構建入手,研究目標跟蹤關鍵技術,具體而言,本文主要創(chuàng)新與貢獻包括:(1)提出了一種應對光照變化的實時目標跟蹤算法。光照條件變化是視覺目標跟蹤過程中最常見的環(huán)境變化因素,光照條件的變化往往造成目標外觀的劇烈變化,因此如何應對光照變化是目標跟蹤領域的難點之一。為實現光照變化情景下的魯棒目標跟蹤,本文從特征提取的角度,提出一種新型的圖像特征-最大顏色差值直方圖(Maximum Color Difference Histogram, MCDH)。該圖像特征具有較好的光照不變性,并且能較好保持目標區(qū)域內顯著特征信息,且可以方便擴展到其他顏色空間。根據該種特征具有多零值的特點,提出一種特定的相似度量-最小最大比率(Min-Max-Ratio, MMR),用于匹配目標模板直方圖和候選目標直方圖。為提高計算速度,引入局部積分直方圖(Local Integral Histogram,LIH),在局部積分直方圖區(qū)域內任意矩形區(qū)域的最大顏色差值直方圖可以由常量時間計算而來,大大提高了計算效率。實驗結果表明,本文提出的基于最大顏色差值直方圖的跟蹤算法具備良好的應對光照變化的能力,同時能夠在一定程度上應對尺度變化、變形、遮擋等復雜場景。(2)提出了一種基于空間核多線索自適應外觀模型的實時目標跟蹤算法。為應對更為復雜的場景,基于檢測來實現目標跟蹤(Tracking-by-Detection)。但是傳統(tǒng)的這類算法往往容易隨著跟蹤過程的推進,發(fā)生漂移問題。其中一個重要原因是這類算法對目標外觀建模不夠準確,這類算法大多使用矩形區(qū)域來表示目標,使用隨機采樣的Haar-like特征來對目標外觀建模,很多情況下,從目標區(qū)域采集的Haar-like特征很可能包含了背景噪聲,特別是靠近矩形邊界的區(qū)域。另一個原因,出于實時性考慮,很多算法只用亮度信息,特征本身區(qū)分能力不足。基于以上兩個問題,本文提出一種基于核函數的多線索自適應外觀模型(Kernel based Multiple Cue Adaptive Appearance Model,KBMCAAM) :基于樸素貝葉斯框架,利用空間核函數降低外觀建模過程中的背景噪聲對目標模型的影響,同時利用多種圖像特征,增加外觀模型的區(qū)分特性。通過與多個主流算法的比較表明,本算法具有較強的準確性和魯棒性,同時具備較好的實時性(在實驗中約25幀/秒的處理速度)。(3)提出了一種基于融合整體信息的局部自適應外觀模型的實時目標跟蹤算法。基于目標分塊的局部外觀呈現方式由于對部分遮擋及變形的魯棒性,在目標跟蹤領域廣泛采用。已有的基于分塊局部自適應外觀模型的跟蹤算法普遍存在一個問題,即穩(wěn)定性-彈性困境(Stability-plasticity Dilemma):跟蹤算法需要不斷更新來適應外觀變化(富有彈性),但是這種更新由于跟蹤結果不夠準確而積累誤差,最終發(fā)生漂移問題(不夠穩(wěn)定)。本文基于Tracking-by-Detection框架,通過多個弱分類器(基于Haar-like特征的局部呈現)構建一個強分類器,通過二值分類的思想將目標和背景區(qū)分開來定位目標。但是在訓練弱分類器的過程中,正樣本和負樣本通過一個不變的外觀模型-第一幀選擇的目標的整體外觀(顏色直方圖,但不局限于顏色直方圖)進行加權,每一個樣本的權重等于樣本與這個不變的整體外觀的相似性。這樣局部外觀模型中融入了整體外觀信息,在一定程度上解決了穩(wěn)定性-彈性困境。實驗結果表明,本文提出的算法對于基于局部自適應外觀模型的跟蹤算法的魯棒性具有較大程度提高。(4)提出了一種基于判別視覺詞袋自適應外觀模型的魯棒準實時目標跟蹤算法。為適應更加復雜的應用場景以及在線跟蹤樣本量有限的約束,基于詞袋模型(Bag-of-Words,BOW)使用無參數化的方法來構建外觀模型。在目標跟蹤領域,基于BOW的研究工作甚少。已有的基于BOW的跟蹤算法,存在判別能力不足以及容易發(fā)生漂移的缺點。因此,本文提出一種新型的判別視覺詞袋(DiscriminativeBag-of-Words,DBoW)模型。同時利用目標與背景信息,基于貝葉斯推理,使用無參數的方法來學習判別的外觀線索,提高了模型的判別能力,有效避免了參數化模型的過擬合風險,克服了參數化模型潛在計算量大的缺點。同時,外觀學習時,將特征到碼字的距離編碼到判別信息之中,進一步提高模型的判別能力。再者,提出一種自適應的詞袋更新方法,保證了在定位不準確及遮擋情況下對目標外觀的正確更新,很大程度解決了常見的漂移問題。基于候選目標與DBoW模型的最優(yōu)匹配實現目標跟蹤。利用廣義的積分圖像-積分通道的快速抽取特征的能力,實現了準實時的計算性能。最后,提出一種更為貼近實際應用的跟蹤算法評價指標-平均最大跟蹤幀數比率(Mean Maximum-Tracked-Frame Ratio,MTFR)。實驗表明,本算法具備良好的處理非剛性變形、背景干擾、遮擋、快速目標運動等復雜場景的能力,與最新算法的對比中,展現了較好的魯棒性、準確性及實時性。綜上述,本文主要研究了目標跟蹤最核心的技術-外觀建模技術,圍繞外觀建模的四個關鍵子問題-目標模型信息來源、目標外觀呈現方式、特征描述子選擇、更新策略,通過提高外觀模型的準確性、判別能力及學習能力來提高目標跟蹤算法對各種復雜場景的適應性、魯棒性。設計跟蹤算法時,充分考慮實際應用的實時性需求,采取有效的設計手段提高其計算效率。實驗結果表明,本文提出的各個模型同時具備較好的適應性、魯棒性和實時性。
[Abstract]:......
【學位授予單位】：北京郵電大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 黨建武,黃建國;水下多目標跟蹤技術[J];探測與控制學報;2003年01期

2 馬家駒;;漫談視頻目標跟蹤技術[J];焦作大學學報;2013年04期

3 周宏仁;多目標跟蹤技術綜述[J];航空學報;1986年01期

4 楊威;付耀文;龍建乾;黎湘;;基于有限集統(tǒng)計學理論的目標跟蹤技術研究綜述[J];電子學報;2012年07期

5 張以杰;;多站多目標跟蹤技術的發(fā)展和存在的問題[J];西安電子科技大學學報;1988年03期

6 高浩軍,杜宇人;目標跟蹤技術及應用前景[J];現代電子技術;2004年24期

7 徐曼;;基于在線多示例學習的目標跟蹤[J];上海電力學院學報;2011年01期

8 鄭猛;;紅外多目標跟蹤技術研究[J];科技創(chuàng)業(yè)月刊;2012年11期

9 章飛;孫睿;;水下多目標跟蹤技術綜述[J];中外船舶科技;2012年03期

10 李建春;孔令榮;;視頻目標跟蹤技術應用干擾因素探討[J];電子技術與軟件工程;2014年11期

相關會議論文 前10條

1 索繼東;柳曉鳴;張潤澤;;雷達目標跟蹤技術發(fā)展評述[A];船舶通信與導航（1995）[C];1995年

2 王強;;圖像目標跟蹤技術綜述[A];全國第二屆信號處理與應用學術會議專刊[C];2008年

3 劉冰;羅熊;劉華平;孫富春;;光學與深度特征融合在機器人場景定位中的應用[A];2013年中國智能自動化學術會議論文集（第三分冊）[C];2013年

4 林明秀;劉偉佳;張達旭;徐心和;;適應光照變化的車輛目標跟蹤算法[A];2007中國控制與決策學術年會論文集[C];2007年

5 翟懿奎;甘俊英;曾軍英;;基于特征融合與支持向量機的偽裝人臉識別[A];第六屆全國信號和智能信息處理與應用學術會議論文集[C];2012年

6 徐炳吉;;一種多站聯合目標跟蹤算法[A];數學及其應用文集——中南模糊數學和系統(tǒng)分會第三屆年會論文集（上卷）[C];1995年

7 杜方芳;劉士榮;邱雪娜;;一種改進的粒子濾波目標跟蹤算法[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

8 付曉薇;方康玲;李曦;;一種基于特征的多目標跟蹤算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

9 許偉村;趙清杰;;一種基于粒子濾波的多目標跟蹤算法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

10 李軍;張華;單梁;;一種基于Mean shift和粒子濾波的綜合目標跟蹤算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

相關博士學位論文 前10條

1 曾凡祥;復雜環(huán)境下魯棒實時目標跟蹤技術研究[D];北京郵電大學;2017年

2 申璐榕;成像導引頭地面目標跟蹤技術研究[D];國防科學技術大學;2014年

3 楊明冬;空間非合作面目標跟蹤技術研究[D];中國科學院研究生院(上海技術物理研究所);2015年

4 田澍;基于檢測與跟蹤互反饋的多目標跟蹤技術及應用研究[D];北京科技大學;2016年

5 高文;機載光電平臺目標跟蹤技術的研究[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2012年

6 宋策;基于粒子濾波的目標跟蹤技術研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2014年

7 王曉萌;基于特征融合的視覺關注算法研究[D];中國礦業(yè)大學(北京);2017年

8 盧曉鵬;視頻序列中目標跟蹤技術研究[D];中國科學院研究生院（電子學研究所）;2007年

9 習文星;移動背景下視覺的行人檢測、識別與跟蹤技術研究[D];中國科學院研究生院(上海技術物理研究所);2015年

10 胡昭華;基于粒子濾波的視頻目標跟蹤技術研究[D];南京理工大學;2008年

相關碩士學位論文 前10條

1 唐信軍;基于復雜背景的紅外圖像預處理技術和目標跟蹤技術研究[D];南京理工大學;2015年

2 毛智鵬;基于雷達圖像特征的目標跟蹤技術的研究[D];大連海事大學;2015年

3 嚴茁;雙基地MIMO雷達目標跟蹤技術研究[D];電子科技大學;2014年

4 竇超;基于多算法融合的目標跟蹤技術研究[D];中北大學;2015年

5 郝中豪;CAS防撞算法的目標跟蹤技術的研究與實現[D];電子科技大學;2015年

6 魯那勤;低空飛行器的定位跟蹤仿真平臺設計與實現[D];電子科技大學;2015年

7 尚志龍;基于多傳感器信息融合的目標跟蹤技術研究[D];西安電子科技大學;2014年

8 傅翱;機載雷達目標跟蹤與顯示研究[D];西安電子科技大學;2014年

9 岳娟;無線傳感網絡目標跟蹤技術的研究[D];南京郵電大學;2015年

10 肖江東;雜波背景下雙基地MIMO雷達的目標跟蹤技術研究[D];電子科技大學;2016年

，

本文編號：1471531