本文選題：協(xié)同目標追蹤　切入點：計算機視覺　出處：《上海師范大學》2017年碩士論文　論文類型：學位論文

【摘要】：視頻目標追蹤作為計算機視覺領域一項核心技術,是后續(xù)情景感知、目標行為分析、視頻搜索等各種高層視覺處理的基礎。視頻中存在目標尺度變化、光的明暗變化、遮擋、快速移動以及運動模糊等不確定的影響因素,所以尋求高效、魯棒性的目標追蹤模型一直以來都是具有挑戰(zhàn)性的課題,目前的追蹤算法大多是根據(jù)鄰近幀的觀測樣本來更新表觀模型。盡管有些算法已經(jīng)有了不錯的進展,但經(jīng)常還是會遇到復雜背景下追蹤目標丟失的問題,而且視頻目標追蹤過程中面臨的自動初始化、前景和背景含有大量雜波、非剛性目標等問題也尚待解決,最近的一些研究工作都是針對以上問題開展的。本文在參考和研究大量前人的科研成果的基礎上,針對視頻的目標進行追蹤,提出了兩種新型的視頻目標追蹤檢測算法:(1)基于稀疏協(xié)同的目標追蹤算法。本文算法與其他同類算法相比更具有適應性,基于生成式模型計算候選樣本和模板之間的相似度,最后將二者融合計算出候選樣本的置信度。通過對模型的在線更新減少跟蹤中的漂移問題,并能夠自適應的對目標變化做出響應。(2)基于壓縮感知理論的目標追蹤算法。首先,在正負樣本區(qū)域隨機抽取不同尺度下圖像的DRLBP特征;然后將高維的特征信息投射到低秩的壓縮域,并根據(jù)此壓縮域特征建立表觀模型;最后,本文使用一個隨機稀疏測量矩陣來壓縮前景和背景目標,通過在壓縮域中對追蹤目標進行實時的在線更新追蹤。追蹤問題最終被轉化成為一個使用樸素貝葉斯分類器的二元分類問題。本文提出的基于壓縮感知的實時在線目標追蹤方法,實驗結果證明可以較快速、實時的完成目標的在線追蹤,同時兼顧目標尺度變化、遮擋等。本文針對上述兩種稀疏追蹤算法,分別在不同的實驗視頻數(shù)據(jù)集上進行追蹤驗證。實驗表明本文所提追蹤算法的單幀追蹤算法平均1ms甚至更低,實驗表明在不同的追蹤場景下本文算法均具有較強的實用性。
[Abstract]:As a core technology in the field of computer vision, video target tracking is the basis of all kinds of high-level visual processing, such as scene perception, target behavior analysis, video search and so on. Because of the uncertain factors such as fast movement and motion blur, it has been a challenging task to seek an efficient and robust target tracking model. Most of the current tracking algorithms update the apparent model based on the observation samples of adjacent frames. Although some algorithms have made good progress, they often encounter the problem of tracking target loss in complex background. In addition, the problems of automatic initialization, foreground and background contain a lot of clutter, non-rigid targets and so on are still to be solved in the process of video target tracking. Some of the recent research work has been carried out in response to the above problems. Based on the reference and study of a large number of previous scientific research achievements, this paper aims at tracking the video target. In this paper, two new video target tracking algorithms: 1) based on sparse collaboration are proposed. Compared with other similar algorithms, this algorithm is more adaptive, and computes the similarity between candidate samples and templates based on generative model. Finally, the confidence degree of candidate samples is calculated by combining the two methods. By updating the model online, the drift problem in tracking can be reduced, and the target tracking algorithm based on compressed perception theory can be adapted to respond to the change of target. The DRLBP features of images with different scales are randomly extracted in the positive and negative sample regions. Then the feature information of high dimension is projected to the compression domain of low rank, and an apparent model is established according to the features of the compressed domain. Finally, In this paper, a random sparse measurement matrix is used to compress the foreground and background targets. The tracking problem is transformed into a binary classification problem using naive Bayes classifier by updating the tracking target in the compressed domain in real time. Line target tracking method, The experimental results show that the online tracking of target can be completed quickly and in real time, taking into account the change of target scale, occlusion and so on. This paper aims at the above two sparse tracking algorithms. The experiments show that the single frame tracking algorithm of the proposed tracking algorithm is less than 1 Ms on average, and the experiment shows that the algorithm has strong practicability in different tracking scenarios.
【學位授予單位】：上海師范大學
【學位級別】：碩士
【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 俞靚;王志波;駱吉安;孫喜策;王智;;面向移動目標追蹤的無線傳感器網(wǎng)絡QoS指標體系設計[J];計算機學報;2009年03期

2 付仁杰;賀仁龍;聞劍峰;丁富強;;建立基于Map-Reduce的海量視頻目標追蹤模型[J];中國電信業(yè);2013年01期

3 汪雄良,王正明;基于快速基追蹤算法的圖像去噪[J];計算機應用;2005年10期

4 滕濟凱;宋宗余;;一種2-安全碼的改進追蹤算法[J];通信技術;2007年11期

5 楊希祥;楊濤;楊慧欣;張為華;;多個體系統(tǒng)編隊分布式控制的循環(huán)追蹤算法[J];中南大學學報(自然科學版);2014年02期

6 孔斌;人類視覺與計算機視覺的比較[J];自然雜志;2002年01期

7 高美真;姜曉峰;;人類視覺與計算機視覺的比較[J];焦作師范高等�？茖W校學報;2007年01期

8 徐光yP;;以人為中心的計算機視覺應用[J];中國圖象圖形學報;2009年02期

9 韓紅;焦李成;;談計算機視覺課程的教學創(chuàng)新[J];計算機教育;2010年19期

10 王振華;胡占義;;2011國際計算機視覺大會簡介[J];計算機輔助設計與圖形學學報;2012年02期

相關會議論文 前10條

1 張禹;倪靖哲;姜媛;;籃球運動員與非運動員多目標追蹤任務成績比較[A];第九屆全國體育科學大會論文摘要匯編(3)[C];2011年

2 金紅軍;許百華;陳釗;;多目標追蹤任務中非目標的抑制機制探討[A];第十五屆全國心理學學術會議論文摘要集[C];2012年

3 宋小華;歐陽丹彤;;時空推理在計算機視覺的應用[A];2006年全國理論計算機科學學術年會論文集[C];2006年

4 謝麗欣;牟會;王歡;劉明霞;;基于計算機視覺的人臉檢測與識別綜述[A];第三屆全國軟件測試會議與移動計算、柵格、智能化高級論壇論文集[C];2009年

5 陳強;孫振國;;計算機視覺在焊接中的應用[A];第十次全國焊接會議論文集（第1冊）[C];2001年

6 田涌濤;洪錫軍;王有慶;李從心;;計算機視覺在先進制造技術中的應用[A];面向制造業(yè)的自動化與信息化技術創(chuàng)新設計的基礎技術——2001年中國機械工程學會年會暨第九屆全國特種加工學術年會論文集[C];2001年

7 劉敏娟;洪添勝;李震;吳偉斌;劉志壯;;基于計算機視覺的荔枝檢測與分級方法[A];紀念中國農(nóng)業(yè)工程學會成立30周年暨中國農(nóng)業(yè)工程學會2009年學術年會（CSAE 2009）論文集[C];2009年

8 孫潔瓊;孫明;;基于計算機視覺的水果外觀品質檢測分級研究現(xiàn)狀[A];中國農(nóng)業(yè)工程學會電氣信息與自動化專業(yè)委員會、中國電機工程學會農(nóng)村電氣化分會科技與教育專委會2010年學術年會論文摘要[C];2010年

9 王劃一;王效良;;計算機視覺在絎縫機自動編程及控制中的應用[A];第二十屆中國控制會議論文集（下）[C];2001年

10 周紅;劉光蓉;;計算機視覺及其在谷物籽粒檢測分級中的應用[A];中國糧油學會第三屆學術年會論文選集（下冊）[C];2004年

相關重要報紙文章 前2條

1 記者 李大慶;我在國際計算機視覺算法競賽中摘金[N];科技日報;2011年

2 滕繼濮;不放過一個“壞蛋”[N];糧油市場報;2011年

相關博士學位論文 前10條

1 常逢錦;兒茶酚胺類藥物對動物信號追蹤和目標追蹤的影響[D];首都師范大學;2013年

2 王強;基于幾何代數(shù)的計算機視覺問題研究[D];國防科學技術大學;2013年

3 王任大;基于計算機視覺的手勢交互技術及其在航海中的應用[D];大連海事大學;2014年

4 賀文驊;基于計算機視覺的復雜場景下目標跟蹤研究[D];西安電子科技大學;2015年

5 王愛麗;基于計算機視覺的行人交通信息智能檢測理論和關鍵技術研究[D];北京交通大學;2016年

6 潘磊慶;基于計算機視覺和聲學技術融合檢測雞蛋品質的研究[D];南京農(nóng)業(yè)大學;2007年

7 孔明;顆粒粒徑和形態(tài)計算機視覺測量方法研究[D];東南大學;2005年

8 劉釗;基于計算智能的計算機視覺及其應用研究[D];武漢科技大學;2011年

9 李慶中;蘋果自動分級中計算機視覺信息快速獲取與處理技術的研究[D];中國農(nóng)業(yè)大學;2000年

10 謝存;計算機視覺中若干問題實現(xiàn)技術和算法的研究[D];大連理工大學;2002年

相關碩士學位論文 前10條

1 陳一根;基于壓縮感知的視頻追蹤方法研究[D];上海師范大學;2017年

2 孫立軍;基于RFID的室內追蹤技術研究與應用[D];電子科技大學;2014年

3 李雪佩;運動技能水平對多目標追蹤能力影響的fMRI研究[D];上海體育學院;2017年

4 馬曉;多目標追蹤線索加工方式的特點[D];北京體育大學;2014年

5 童玉娟;寬基線目標追蹤技術研究[D];重慶大學;2010年

6 楊杰;多目標追蹤下的無意視盲[D];河北師范大學;2014年

7 肖劍明;無線傳感器網(wǎng)絡中能效優(yōu)化的目標追蹤關鍵技術研究[D];中南大學;2014年

8 劉金堯;基于目標追蹤的多點觸控人機交互系統(tǒng)設計[D];中國海洋大學;2012年

9 張海亮;基于無線傳感器網(wǎng)絡的目標追蹤技術研究[D];太原科技大學;2009年

10 全品杰;基于視覺適應的在線目標追蹤算法研究與實現(xiàn)[D];電子科技大學;2014年

，

本文編號：1578027