本文選題：目標(biāo)跟蹤 + 外觀模型��； 參考：《江南大學(xué)》2017年碩士論文

【摘要】：目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域的核心內(nèi)容,在視頻監(jiān)控、人機(jī)交互、交通檢測(cè)等領(lǐng)域得到了重要的應(yīng)用。盡管已經(jīng)展開廣泛的研究,并提出了許多優(yōu)秀的算法,但是建立一個(gè)穩(wěn)定、高效的跟蹤系統(tǒng)仍然是一個(gè)非常具有挑戰(zhàn)性的任務(wù),目前目標(biāo)跟蹤面臨的困難主要有姿勢(shì)變化、光照變化、遮擋、突然運(yùn)動(dòng)等。本文中,我們通過建立幾個(gè)魯棒的外觀模型來解決這些困難。1、為了提高目標(biāo)跟蹤速度,提出一種基于興趣點(diǎn)的局部外觀模型。包括兩個(gè)部分:基于興趣點(diǎn)的目標(biāo)表示和基于稀疏表示的魯棒互相匹配原則。基于興趣點(diǎn)的目標(biāo)表示是以興趣點(diǎn)為中心,提取一定尺寸的圖像塊組成目標(biāo)字典。在隨后各幀中,以各個(gè)候選興趣點(diǎn)為中心利用粒子濾波算法提取不同方向和尺度的候選目標(biāo)塊�；谙∈璞硎镜幕ハ嗥ヅ湓瓌t利用稀疏表示方法計(jì)算目標(biāo)字典和候選目標(biāo)塊之間的對(duì)應(yīng)關(guān)系,并篩選候選目標(biāo)塊。最后利用所有選定的候選塊平均偏移量來確定目標(biāo)位置。另外,提出一種在線字典學(xué)習(xí)方法更新目標(biāo)模板,可以有效的將過去目標(biāo)信息和當(dāng)前跟蹤到的目標(biāo)信息融合在一起,融合的過程中能夠自動(dòng)的降低外界干擾信息添加到目標(biāo)模板中的概率,從而降低目標(biāo)模板漂移的概率。2、為了增強(qiáng)目標(biāo)跟蹤對(duì)干擾的抵抗力,首先提出局部自適應(yīng)加權(quán)算法來增加受干擾影響的目標(biāo)區(qū)域與未受干擾影響的目標(biāo)區(qū)域之間的區(qū)分度。然后提出結(jié)構(gòu)稀疏表示算法,利用包含豐富目標(biāo)特征和背景特征的候選目標(biāo)構(gòu)建過完備字典來重構(gòu)目標(biāo)模板。再利用系數(shù)矩陣內(nèi)部的結(jié)構(gòu)性統(tǒng)計(jì)每個(gè)候選目標(biāo)與目標(biāo)模板之間的相似度,可以提高跟蹤的精度。最后提出在線判別雙字典學(xué)習(xí)算法,這種字典學(xué)習(xí)方法在融合目標(biāo)過去信息和當(dāng)前信息的過程中通過判別函數(shù)能夠自動(dòng)檢測(cè)并排斥背景信息,使更新后的目標(biāo)模板能夠精確的反映目標(biāo)變化。本文深入研究了基于粒子濾波框架的稀疏表示目標(biāo)跟蹤算法,提高了跟蹤算法在具有各種干擾因素影響的復(fù)雜環(huán)境中的實(shí)時(shí)性、穩(wěn)定性和準(zhǔn)確性。
[Abstract]:Target tracking is the core of the field of computer vision. It has been widely used in video surveillance, human-computer interaction, traffic detection and other fields. Although extensive research has been carried out and many excellent algorithms have been proposed, a stable and efficient tracking system is still a very challenging task at present. The main difficulties faced by tracking are postural change, illumination change, occlusion, and sudden motion. In this paper, we solve these difficult.1 by building several robust appearance models. In order to improve the target tracking speed, we propose a local appearance model based on interest points. It includes two parts: object representation based on interest points and based on dilute. The target representation based on interest points is centered on interest points and extracts a certain size of image blocks to form a target dictionary. In the subsequent frames, the candidate target blocks with different directions and scales are extracted with particle filter algorithm at the center of each candidate interest point. The sparse representation method is used to calculate the correspondence between the target dictionary and the candidate target block, and to select the candidate target blocks. Finally, the target location is determined by using the average offset of all selected candidates. In addition, an online dictionary learning method is proposed to update the target template, which can effectively track the past target information and track the target information to the current target. In the process of fusion, the probability of the external interference information added to the target template can be automatically reduced and the probability.2 of the target template drift can be reduced. In order to enhance the resistance of the target tracking to the interference, the local adaptive weighting algorithm is first proposed to increase the target area and unaffected interference affected by the interference. The structural sparse representation algorithm is proposed, and an overcomplete dictionary is constructed to reconstruct the target template with a candidate target containing rich target features and background features, and the similarity between each candidate target and the target template can be improved by using the internal structure of the coefficient matrix to improve the heel. In the end, the online discriminant double dictionary learning algorithm is proposed. This dictionary learning method can automatically detect and exclude background information through the discriminant function in the process of merging the target information and the current information, so that the updated target template can accurately reflect the change of the target. This paper deeply studies the particle filter frame based on the particle filter frame. The sparse representation of target tracking algorithm improves the real-time performance, stability and accuracy of tracking algorithm in complex environment with various interference factors.
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國;;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

相關(guān)會(huì)議論文 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營與云計(jì)算——第十八屆全國青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂;空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類方法[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

2 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

3 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

4 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

5 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

6 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

7 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

8 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實(shí)時(shí)人臉識(shí)別系統(tǒng)應(yīng)用研究[D];五邑大學(xué);2015年

9 張宏樂;語音信號(hào)稀疏表示方法研究[D];太原理工大學(xué);2016年

10 郭欣;基于K-SVD稀疏表示的語音增強(qiáng)算法研究[D];太原理工大學(xué);2016年

，

本文編號(hào)：1934592