本文關(guān)鍵詞：基于多尺度多特征模板集和自適應動態(tài)模型的物體跟蹤算法，，由筆耕文化傳播整理發(fā)布。

【摘要】：物體跟蹤是計算機視覺領(lǐng)域的重要研究方向之一,其研究成果已被廣泛應用于視頻監(jiān)控、人機交互和視頻壓縮編碼等多個研究領(lǐng)域,具有重大研究價值。但由于物體跟蹤算法在真實的跟蹤場景中不可避免地會遇到環(huán)境光照變化、物體尺度變化、物體被遮擋和物體旋轉(zhuǎn)等多種干擾因素,較難適應廣泛的應用,如何提高跟蹤算法的跟蹤準確率和魯棒性仍是該領(lǐng)域的難題之一。本文重點對跟蹤領(lǐng)域中的物體表征模型和物體運動預估兩方面進行了研究,分別提出了基于多尺度多特征模板集的跟蹤算法和基于自適應動態(tài)模型的跟蹤算法。在物體表征模型方面,本文首先提出了基于多尺度多特征模板集的跟蹤算法。該算法使用一組三層四叉樹結(jié)構(gòu)的模板集來描述待跟蹤物體,以綜合利用物體的高層、中間層和底層的全部視覺信息。模板集中每一個模板均表示物體的一部分,對于每個模板所表示的區(qū)域,本算法均會對其提取多種視覺特征,從而得到物體的紋理信息、顏色信息、強度信息和邊緣信息等視覺描述。本文還提出了一種基于信息映射原理的生成式學習算法,通過最大化目標物體的潛在概率分布與跟蹤背景的概率分布的差異,以確定模板集中每個模板的模板權(quán)值以及其中不同特征的特征權(quán)值。實驗結(jié)果表明,本文提出的多尺度多特征模板集表征模型在用于跟蹤算法后,可以提高算法的跟蹤準確率,同時在嘈雜背景、物體旋轉(zhuǎn)和運動模糊等干擾因素下具有較高的魯棒性。本算法的跟蹤準確率在現(xiàn)有最全面的跟蹤數(shù)據(jù)集上取得了最好值,比CVPR 2012中提出的多種跟蹤算法有0.7至7.2個百分點的準確率提升。在物體運動預估方面,本文提出了基于自適應動態(tài)模型的跟蹤算法。為提高跟蹤算法運動預估環(huán)節(jié)的準確率和魯棒性,本算法在一階粒子濾波模型的基礎(chǔ)上,引入了一階動態(tài)預估模型的自適應退化算法,退化后的預估模型采用隨機漫步模型。算法會根據(jù)一階動態(tài)模型的預測準確率,自適應的確定模型的退化程度,以及兩種預估模型的相關(guān)參數(shù)。其中模型的退化程度由一階動態(tài)模型和隨機漫步模型中各包含多少粒子來體現(xiàn),而自適應改變的參數(shù)主要是兩種系統(tǒng)中演化噪聲的方差值。實驗結(jié)果表明,本文提出的自適應動態(tài)模型在用于跟蹤算法后,比傳統(tǒng)的一階動態(tài)模型具有更高的準確率和抗干擾能力。在將該運動預估模型和本文提出的多尺度多特征模板集物體表征模型進行結(jié)合后,可提高跟蹤算法的跟蹤準確率(比單純的一階動態(tài)模型提高6.6%),且相比金字塔查找算法具有更高的物體檢測計算效率。
【關(guān)鍵詞】：物體跟蹤 物體表征模型 多尺度 多特征 自適應模型 粒子濾波
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-15
• 第一章 緒論15-21
• 1.1 研究目的和意義15-16
• 1.2 物體跟蹤技術(shù)研究現(xiàn)狀16-19
• 1.2.1 現(xiàn)有跟蹤算法中的物體表征方法17-18
• 1.2.2 現(xiàn)有跟蹤算法中的運動預估方法18-19
• 1.3 本文研究內(nèi)容19-21
• 第二章 物體跟蹤技術(shù)基礎(chǔ)21-37
• 2.1 基于混合模板的物體跟蹤算法21-25
• 2.1.1 算法背景和研究動機21-22
• 2.1.2 基于混合模板跟蹤算法的核心思想22-23
• 2.1.3 基于混合模板的跟蹤算法流程23-25
• 2.1.4 對基于混合模板跟蹤算法的討論25
• 2.2 基于壓縮感知的跟蹤算法25-28
• 2.2.1 壓縮感知算法簡介25-26
• 2.2.2 壓縮感知算法在物體跟蹤領(lǐng)域的應用26-27
• 2.2.3 對基于壓縮感知的跟蹤算法的討論27-28
• 2.3 基于粒子濾波的跟蹤算法28-35
• 2.3.1 粒子濾波算法理論基礎(chǔ)28-33
• 2.3.2 粒子濾波算法在物體跟蹤領(lǐng)域的應用33-34
• 2.3.3 對基于粒子濾波的跟蹤算法的討論34-35
• 2.4 現(xiàn)有跟蹤算法的對比35-36
• 2.5 本章小結(jié)36-37
• 第三章 基于多尺度多特征模板集的物體跟蹤算法37-75
• 3.1 算法核心思想37-39
• 3.2 算法原理39-44
• 3.2.1 算法整體流程39-40
• 3.2.2 學習物體表征模型40-42
• 3.2.3 物體檢測流程42-44
• 3.3 算法實現(xiàn)44-63
• 3.3.1 系統(tǒng)初始化44-45
• 3.3.2 模板集生成45-47
• 3.3.3 正負樣本選取47-48
• 3.3.4 特征提取算法48-56
• 3.3.5 模板原型生成56
• 3.3.6 特征匹配56-57
• 3.3.7 模板參數(shù)訓練算法57-61
• 3.3.8 物體檢測算法61-62
• 3.3.9 模板更新算法62-63
• 3.4 實驗結(jié)果及分析63-74
• 3.4.1 實驗參數(shù)與環(huán)境63
• 3.4.2 實驗數(shù)據(jù)集及評判標準63-64
• 3.4.3 實驗結(jié)果分析64-66
• 3.4.4 不同干擾因素下的實驗結(jié)果分析66-74
• 3.5 本章小結(jié)74-75
• 第四章 基于自適應動態(tài)模型的跟蹤算法75-95
• 4.1 算法核心思想75-76
• 4.2 算法原理76-78
• 4.3 算法實現(xiàn)78-85
• 4.3.1 系統(tǒng)初始化及輸入78-79
• 4.3.2 粒子更新79-83
• 4.3.3 粒子打分與權(quán)值計算83-84
• 4.3.4 物體判定84-85
• 4.3.5 預測效果判定85
• 4.3.6 粒子重采樣85
• 4.4 實驗結(jié)果及分析85-93
• 4.4.1 實驗參數(shù)與環(huán)境85-86
• 4.4.2 實驗結(jié)果分析86-88
• 4.4.3 不同干擾因素下的實驗結(jié)果分析88-93
• 4.5 本章小結(jié)93-95
• 第五章 總結(jié)與展望95-98
• 5.1 全文工作總結(jié)95-97
• 5.2 未來工作展望97-98
• 參考文獻98-107
• 致謝107-108
• 攻讀學位期間發(fā)表的學術(shù)論文108

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 歐光軍,邵祖峰,張子剛;基于知識創(chuàng)造的產(chǎn)品創(chuàng)新動態(tài)模型及管理機制研究[J];科學管理研究;2005年03期

2 言茂松;透平動態(tài)模型的誤差評價及其校正方法的分析[J];清華大學學報(自然科學版);1964年03期

3 周波,涂植英;換熱器動態(tài)模型的辨識[J];數(shù)據(jù)采集與處理;1989年01期

4 羅高榮;;電力系統(tǒng)投資決策動態(tài)模型的研究[J];自動化學報;1991年01期

5 周懋選，邢軍;利用計算機技術(shù)實現(xiàn)灰色動態(tài)模型對保險企業(yè)的預測[J];中國金融電腦;1995年03期

6 袁愛清;;幸福感視野下觀影養(yǎng)心的相關(guān)理論及動態(tài)模型探析[J];東南傳播;2014年04期

7 江韜;;一種線性動態(tài)模型參數(shù)估計方法[J];自動化學報;1989年01期

8 焦國全;;用液電效應建立系統(tǒng)傳遞函數(shù)的方法[J];自動化學報;1984年04期

9 王水,蔣清華;生產(chǎn)決策系統(tǒng)的動態(tài)模型及性能控制[J];信息與控制;1991年01期

10 唐俊,羅云峰,陳s

本文編號：362027