本文關(guān)鍵詞：復(fù)雜動態(tài)場景下在線視覺目標(biāo)跟蹤算法研究

  更多相關(guān)文章： 在線視覺跟蹤 貝葉斯濾波 稀疏表示 均值漂移 霍夫投票

【摘要】：目標(biāo)跟蹤是計算機視覺領(lǐng)域的重要內(nèi)容和研究熱點之一,在視頻監(jiān)控、智能交通、機器人導(dǎo)航、智能車輛駕駛輔助和人機交互等領(lǐng)域有著廣泛的應(yīng)用。盡管在過去幾十年里在線目標(biāo)跟蹤技術(shù)的研究已經(jīng)取得了很大的進展,但是在復(fù)雜動態(tài)場景下,由于被跟蹤目標(biāo)會發(fā)生更多不受控的表觀和運動變化,因此設(shè)計一個魯棒、穩(wěn)定和精確的在線跟蹤算法仍然是一個富有挑戰(zhàn)性的課題。本文圍繞著復(fù)雜動態(tài)場景下的視頻目標(biāo)跟蹤問題開展研究工作,主要研究內(nèi)容和成果包括以下幾個方面：首先,針對復(fù)雜動態(tài)場景下使用固定的特征或特征組合無法對待跟蹤目標(biāo)的表觀變化進行準(zhǔn)確描述的問題,提出一種基于特征自適應(yīng)選擇的魯棒跟蹤算法,該算法可以根據(jù)目標(biāo)和背景的變化情況自適應(yīng)地選擇可區(qū)分性好的特征來描述目標(biāo)。此外,分別針對在線AdaBoost算法的候選特征池特征魯棒性差以及分類器在更新過程中容易受到錯誤樣本影響的問題進行了研究,提出了基于顏色與金字塔梯度方向直方圖特征相結(jié)合的特征池構(gòu)造方式,并對每幀圖像獲得的跟蹤結(jié)果進行遮擋檢測以避免漂移現(xiàn)象的發(fā)生。實驗結(jié)果表明,當(dāng)目標(biāo)受到光照變化、尺度縮放、部分遮擋、雜亂背景干擾以及姿態(tài)變化等情況影響時,與其它算法相比本文算法具有更好的魯棒性和準(zhǔn)確性。其次,針對傳統(tǒng)的均值漂移跟蹤算法中目標(biāo)表觀模型單一且缺乏必要的更新策略的問題,提出了一種基于多表觀模型的多尺度均值漂移跟蹤算法。該算法利用稀疏主成分分析技術(shù)從特征模板集中獲取關(guān)于目標(biāo)的多個表觀模型,并分別以每個模型為參考模板在多尺度下并行運行均值漂移算法。此外,針對梯度直方圖特征在均值漂移跟蹤框架下容易陷入局部極值的問題進行了研究,并引入廣義梯度矢量流特征來描述目標(biāo)的形狀信息。通過與其它跟蹤算法的對比實驗表明,本文算法在應(yīng)對姿態(tài)變化、雜亂背景干擾以及快速運動等有挑戰(zhàn)性的情況時都具有很好的穩(wěn)定性和魯棒性。再次,針對復(fù)雜動態(tài)場景下目標(biāo)跟蹤過程中可能出現(xiàn)的形變、運動和遮擋等問題,分別構(gòu)建了基于超像素局部信息的判別式模型和基于顏色與梯度全局信息的產(chǎn)生式模型,通過兩者的結(jié)合提升了對目標(biāo)表觀特征描述的可區(qū)分性和不變性。此外,提出一種基于樣本二次判別的字典更新策略,從而可以避免使用錯誤的樣本去更新字典。對比實驗表明,本文算法在目標(biāo)發(fā)生姿態(tài)變化、部分遮擋、以及背景干擾等情況時都能獲得很好的跟蹤結(jié)果。最后,針對基于稀疏表示的目標(biāo)跟蹤算法在跟蹤過程中只考慮到目標(biāo)的表觀特征,卻忽略了目標(biāo)內(nèi)部的空間關(guān)系的問題,提出一種基于局部特征霍夫投票的魯棒跟蹤算法。該算法在廣義霍夫變換框架下,分別針對如何建立投票小塊與碼本中向量的匹配關(guān)系,以及如何為每個投票小塊分配權(quán)重的問題進行了研究。前者通過稀疏表示理論來解決,后者依據(jù)投票小塊在圖像上的類別分布顯著性和碼本中與其有匹配關(guān)系的向量的投票顯著性建立投票權(quán)重。實驗結(jié)果表明,與其它算法相比本文算法在應(yīng)對光照變化、運動模糊、快速運動、以及雜亂背景干擾等情況時具有更好的穩(wěn)定性和魯棒性。綜上所述,本文針對復(fù)雜動態(tài)場景下的在線視覺目標(biāo)跟蹤研究中遇到的各種表觀和運動變化,提出了四種魯棒的目標(biāo)跟蹤算法,并通過實驗驗證了新算法的魯棒性和精確性。
【關(guān)鍵詞】：在線視覺跟蹤 貝葉斯濾波 稀疏表示 均值漂移 霍夫投票
【學(xué)位授予單位】：東北大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• Abstract7-13
• 第1章 緒論13-21
• 1.1 論文研究的背景和意義13-14
• 1.2 國內(nèi)外研究現(xiàn)狀14-16
• 1.3 復(fù)雜動態(tài)場景下在線視覺目標(biāo)跟蹤研究面臨的挑戰(zhàn)16-18
• 1.4 本文組織結(jié)構(gòu)和章節(jié)安排18-21
• 第2章 目標(biāo)跟蹤基礎(chǔ)概述21-33
• 2.1 目標(biāo)跟蹤技術(shù)的基本框架及分類21-24
• 2.2 目標(biāo)跟蹤相關(guān)技術(shù)24-29
• 2.2.1 均值漂移技術(shù)24-26
• 2.2.2 遞歸貝葉斯濾波技術(shù)26-28
• 2.2.3 稀疏表示理論28-29
• 2.3 在線視頻跟蹤的評估準(zhǔn)則29-30
• 2.4 本文算法采用數(shù)據(jù)庫的介紹30-33
• 第3章 基于特征自適應(yīng)選擇的魯棒跟蹤算法33-53
• 3.1 引言33-34
• 3.2 特征池的構(gòu)造34-37
• 3.2.1 顏色特征35
• 3.2.2 金字塔梯度方向直方圖特征35-37
• 3.3 基于特征自適應(yīng)選擇的在線視頻跟蹤研究37-44
• 3.3.1 基于仿射變換參數(shù)的運動模型的設(shè)計38-39
• 3.3.2 候選樣本的生成39-40
• 3.3.3 基于在線Boosting的觀測模型的設(shè)計40-42
• 3.3.4 遮擋檢測以及樣本集在線更新策略42-44
• 3.4 實驗結(jié)果及分析44-51
• 3.4.1 定性比較結(jié)果44-49
• 3.4.2 定量比較結(jié)果49-51
• 3.4.3 算法的復(fù)雜度分析51
• 3.5 本章小節(jié)51-53
• 第4章 基于多表觀模型的魯棒均值漂移跟蹤算法53-75
• 4.1 引言53-54
• 4.2 基于廣義梯度矢量流的均值漂移跟蹤算法54-61
• 4.2.1 目標(biāo)的表示與定位54-57
• 4.2.2 廣義梯度矢量流特征57-59
• 4.2.3 基于廣義梯度矢量場的在線視頻跟蹤研究59-61
• 4.3 基于多表觀模型的均值漂移算法61-66
• 4.3.1 基于稀疏主成分分析的多表觀模型的建立62-65
• 4.3.2 基于多表觀模型的目標(biāo)定位65-66
• 4.4 實驗結(jié)果及分析66-73
• 4.4.1 定性比較結(jié)果66-71
• 4.4.2 定量比較結(jié)果71-73
• 4.5 本章小結(jié)73-75
• 第5章 基于稀疏表達的超像素跟蹤算法75-99
• 5.1 引言75-77
• 5.2 聯(lián)合模型的建立77-78
• 5.3 基于局部信息的判別式模型78-86
• 5.3.1 SLIC超像素分割技術(shù)78-80
• 5.3.2 基于超像素信息的字典建立80-82
• 5.3.3 基于加權(quán)平均風(fēng)險的判別式模型的建立82-86
• 5.4 基于全局信息的產(chǎn)生式模型86-88
• 5.5 字典更新策略的設(shè)計88-90
• 5.6 實驗結(jié)果與分析90-97
• 5.6.1 定性比較結(jié)果90-95
• 5.6.2 定量比較結(jié)果95-97
• 5.7 本章小節(jié)97-99
• 第6章 基于局部特征霍夫投票的在線目標(biāo)跟蹤算法99-115
• 6.1 引言99-101
• 6.2 基于加權(quán)霍夫投票的目標(biāo)跟蹤算法101-107
• 6.2.1 基于稀疏表示的加權(quán)霍夫投票101-104
• 6.2.2 顯著性權(quán)重的計算和更新104-107
• 6.3 碼本的更新107-108
• 6.4 實驗結(jié)果與分析108-114
• 6.4.1 定性比較結(jié)果108-112
• 6.4.2 定量比較結(jié)果112-114
• 6.5 本章小節(jié)114-115
• 第7章 總結(jié)與展望115-117
• 7.1 總結(jié)115-116
• 7.2 展望116-117
• 參考文獻117-131
• 致謝131-133
• 攻讀博士期間發(fā)表的論文133-135
• 作者簡介135

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉華平;李建民;胡曉林;孫富春;;動態(tài)場景下的交通標(biāo)識檢測與識別研究進展[J];中國圖象圖形學(xué)報;2013年05期

2 施家棟;王建中;;動態(tài)場景中運動目標(biāo)檢測與跟蹤[J];北京理工大學(xué)學(xué)報;2009年10期

3 王斌;肖文華;張茂軍;熊志輝;劉煜;;采用時空條件信息的動態(tài)場景運動目標(biāo)檢測[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2012年12期

4 劉雁翎,諸昌鈐;一種適合處理動態(tài)場景的交互樹[J];計算機應(yīng)用;2001年11期

5 崔晟,張英遠,劉勁松;基于圖像數(shù)據(jù)庫的動態(tài)場景生成系統(tǒng)[J];紅外與激光工程;2002年01期

6 衡浩;熊惠霖;;復(fù)雜動態(tài)場景下基于道路平面提取的行人檢測[J];計算機仿真;2013年09期

7 于明;孫煒燁;閻剛;于洋;;動態(tài)場景下基于精確背景補償?shù)倪\動目標(biāo)檢測[J];計算機應(yīng)用與軟件;2013年10期

8 王仲輝,蔣平,吳欽章;實時動態(tài)場景生成[J];光電工程;2004年04期

9 閻光偉;;地形環(huán)境下的動態(tài)場景繪制[J];華北電力大學(xué)學(xué)報;2006年04期

10 胡維和;曾巧明;;一個高效的動態(tài)場景算法[J];計算機與現(xiàn)代化;2009年01期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 徐瑋;張茂軍;吳玲達;王煒;;基于圖象的動態(tài)場景繪制技術(shù)[A];中國系統(tǒng)仿真學(xué)會第五次全國會員代表大會暨2006年全國學(xué)術(shù)年會論文集[C];2006年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 齊苑辰;復(fù)雜動態(tài)場景下在線視覺目標(biāo)跟蹤算法研究[D];東北大學(xué);2015年

2 鐘必能;復(fù)雜動態(tài)場景中運動目標(biāo)檢測與跟蹤算法研究[D];哈爾濱工業(yè)大學(xué);2010年

3 許麗;動態(tài)場景的三維信息獲取相關(guān)技術(shù)研究[D];上海大學(xué);2009年

4 潘明皓;動態(tài)場景的真實感圖形交互繪制技術(shù)[D];浙江大學(xué);2010年

5 曾鵬鑫;動態(tài)場景下多運動目標(biāo)檢測及跟蹤方法研究[D];東北大學(xué);2005年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 劉朝兵;基于改進Camshift的動態(tài)場景運動目標(biāo)跟蹤算法研究[D];西南大學(xué);2015年

2 蒙春城;高速動態(tài)場景生成系統(tǒng)研制[D];哈爾濱工業(yè)大學(xué);2015年

3 譚偉;動態(tài)場景下的基于單目攝像頭的魯棒同時定位與建圖[D];浙江大學(xué);2015年

4 張敬獻;動態(tài)場景中的視覺目標(biāo)識別方法研究[D];電子科技大學(xué);2014年

5 姜濤;室外動態(tài)場景中的人臉識別[D];電子科技大學(xué);2015年

6 丁伙健;自然動態(tài)場景的運動類型分析[D];蘇州大學(xué);2015年

7 俞力;動態(tài)場景下的車輛檢測和跟蹤方法研究[D];東南大學(xué);2015年

8 鄭少林;基于DMD的微光動態(tài)場景生成系統(tǒng)關(guān)鍵技術(shù)研究[D];北京理工大學(xué);2016年

9 李飛;動態(tài)場景下的移動人體視覺偵測算法研究[D];湖南大學(xué);2015年

10 林卉;基于主題模型的動態(tài)場景分類[D];蘇州大學(xué);2014年

，

本文編號：1076166