本文關(guān)鍵詞：動態(tài)場景中目標(biāo)跟蹤的遮擋處理與研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：視頻序列中的目標(biāo)跟蹤一直是計(jì)算機(jī)視覺研究領(lǐng)域的一個重要組成部分,而目標(biāo)遮擋是視頻跟蹤中普遍存在的問題,能否有效解決遮擋問題,對于提高跟蹤算法的穩(wěn)定性與魯棒性有著重要的意義。本文結(jié)合當(dāng)前流行的深度學(xué)習(xí)以及稀疏表示理論知識,針對目標(biāo)跟蹤中的遮擋問題提出了新的跟蹤方法,通過跟蹤算法的評估平臺對本文提出的算法進(jìn)行定量分析,并在視覺云臺上完成實(shí)時目標(biāo)跟蹤與評估。本文主要研究工作如下:在深度學(xué)習(xí)的理論基礎(chǔ)上,提出了一種基于棧式稀疏自編碼器(SSAE)的目標(biāo)跟蹤算法。該算法先通過逐層貪婪訓(xùn)練法對SSAE以及Logistic分類器進(jìn)行預(yù)訓(xùn)練,然后采用自頂向下的反向傳播對整體網(wǎng)絡(luò)進(jìn)行微調(diào)。隨后在粒子濾波的框架中,通過非監(jiān)督訓(xùn)練提取粒子的特征,使用Logistic分類器選取置信度最高的粒子作為跟蹤結(jié)果,實(shí)現(xiàn)了跟蹤的魯棒性。基于稀疏表示與粒子濾波理論,提出了基于分塊稀疏表示與HSV顏色直方圖的跟蹤算法。首先通過字典學(xué)習(xí)法從第一幀中獲取字典,隨后融合分塊稀疏特征與HSV顏色直方圖特征,使其同時具備局部特征與全局特征,并選取似然觀測值最大的粒子作為跟蹤結(jié)果。在跟蹤過程中對嚴(yán)重遮擋情況進(jìn)行了有效處理,并采取了實(shí)用的模板更新方法,提高了遮擋環(huán)境下跟蹤的魯棒性。通過跟蹤算法評估系統(tǒng)對所提出的算法以及其他優(yōu)秀算法進(jìn)行定量評估。結(jié)果表明:與當(dāng)前流行的算法相比,本文提出的兩種跟蹤算法有明顯的優(yōu)勢,在遮擋環(huán)境下均可以實(shí)現(xiàn)魯棒跟蹤。其中基于分塊稀疏表示與HSV顏色直方圖的跟蹤算法有著更低的中心偏移誤差和更快的跟蹤速度,而在跟蹤成功率上,本文提出的兩種算法均表現(xiàn)優(yōu)異。在文章的最后介紹了視覺云臺跟蹤系統(tǒng),并將文中提出的基于分塊稀疏表示與HSV顏色直方圖的跟蹤算法和其他算法應(yīng)用于視覺云臺的實(shí)時跟蹤測試。測試結(jié)果表明:本文算法在實(shí)時跟蹤中較其他算法有著更好的表現(xiàn),在遮擋環(huán)境下可實(shí)現(xiàn)穩(wěn)定的魯棒跟蹤,更適用于非快速運(yùn)動物體的跟蹤。
【關(guān)鍵詞】：目標(biāo)跟蹤 遮擋處理 稀疏表示 深度學(xué)習(xí) 算法評估
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-18
• 1.1 課題背景及研究意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-15
• 1.3 跟蹤算法在遮擋中存在的問題15-16
• 1.4 本文主要的研究工作以及論文結(jié)構(gòu)安排16-18
• 1.4.1 本文主要研究工作16
• 1.4.2 論文結(jié)構(gòu)安排16-18
• 第2章 深度學(xué)習(xí)與稀疏表示理論18-32
• 2.1 引言18
• 2.2 深度學(xué)習(xí)理論18-25
• 2.2.1 棧式自動編碼器（SAE）19-21
• 2.2.2 限制玻爾茲曼機(jī)（RBM）21-23
• 2.2.3 深度置信網(wǎng)絡(luò)（DBN）23-24
• 2.2.4 卷積神經(jīng)網(wǎng)絡(luò)（CNN）24-25
• 2.3 稀疏表示的概念25-30
• 2.3.1 稀疏信號的重構(gòu)算法26-30
• 2.3.2 稀疏字典的構(gòu)造方法30
• 2.4 本章小結(jié)30-32
• 第3章 基于棧式稀疏自編碼器的目標(biāo)跟蹤算法32-46
• 3.1 引言32
• 3.2 粒子濾波理論32-33
• 3.3 SSAE網(wǎng)絡(luò)模型33-34
• 3.4 跟蹤算法的實(shí)現(xiàn)34-38
• 3.4.1 跟蹤模型的預(yù)訓(xùn)練36-37
• 3.4.2 在線跟蹤37-38
• 3.5 實(shí)驗(yàn)結(jié)果及分析38-45
• 3.5.1 實(shí)驗(yàn)參數(shù)設(shè)置38-39
• 3.5.2 與其他算法的定性比較39-45
• 3.6 本章小結(jié)45-46
• 第4章 基于分塊稀疏表示與HSV顏色直方圖的跟蹤算法46-58
• 4.1 引言46
• 4.2 跟蹤算法的描述46-47
• 4.3 目標(biāo)的特征提取47-50
• 4.3.1 目標(biāo)區(qū)域分塊47-48
• 4.3.2 構(gòu)建稀疏字典48
• 4.3.3 圖像信息的稀疏重構(gòu)48
• 4.3.4 HSV直方圖模型與融合策略48-50
• 4.4 遮擋處理與模型更新50-51
• 4.5 實(shí)驗(yàn)結(jié)果及分析51-57
• 4.5.1 實(shí)驗(yàn)參數(shù)設(shè)置51
• 4.5.2 與其他算法的定性比較51-57
• 4.6 本章小結(jié)57-58
• 第5章 目標(biāo)跟蹤算法評估系統(tǒng)及平臺實(shí)現(xiàn)58-71
• 5.1 引言58
• 5.2 目標(biāo)跟蹤算法的評估指標(biāo)體系58-60
• 5.2.1 中心位置偏移誤差58-59
• 5.2.2 基于區(qū)域統(tǒng)計(jì)的跟蹤成功率59-60
• 5.3 目標(biāo)跟蹤算法評估系統(tǒng)平臺60-62
• 5.4 本文跟蹤算法的評估62-69
• 5.4.1 基于棧式稀疏自編碼器目標(biāo)跟蹤算法的定量評估62-65
• 5.4.2 基于分塊稀疏表示與HSV顏色直方圖跟蹤算法的定量評估65-68
• 5.4.3 兩種抗遮擋跟蹤算法之間的比較68-69
• 5.5 本章小結(jié)69-71
• 第6章 視覺云臺跟蹤系統(tǒng)71-84
• 6.1 引言71
• 6.2 視覺云臺系統(tǒng)71-77
• 6.2.1 系統(tǒng)的硬件組成71-73
• 6.2.2 系統(tǒng)的軟件設(shè)計(jì)73-76
• 6.2.3 視覺云臺跟蹤的實(shí)現(xiàn)76-77
• 6.3 云臺的跟蹤結(jié)果與討論77-83
• 6.3.1 云臺跟蹤的定性評估77-80
• 6.3.2 云臺跟蹤的定量評估80-83
• 6.4 本章小結(jié)83-84
• 總結(jié)與展望84-86
• 參考文獻(xiàn)86-92
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單92-93
• 致謝93

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(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別方法[J];模式識別與人工智能;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)性測度[J];模式識別與人工智能;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)人臉識別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會改;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[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別算法研究[J];模式識別與人工智能;2014年01期

中國重要會議論文全文數(shù)據(jù)庫 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)年會論文集（上冊）[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)識別[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

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

中國博士學(xué)位論文全文數(shù)據(jù)庫 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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 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

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

6 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

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

8 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

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

10 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

  本文關(guān)鍵詞：動態(tài)場景中目標(biāo)跟蹤的遮擋處理與研究，由筆耕文化傳播整理發(fā)布。

本文編號：331458