發(fā)布時間：2018-04-17 11:45

  本文選題：計(jì)算機(jī)視覺 + 視頻目標(biāo)跟蹤�。� 參考：《哈爾濱工業(yè)大學(xué)》2017年博士論文

【摘要】：視頻目標(biāo)跟蹤是計(jì)算機(jī)視覺中的熱點(diǎn)問題,在智能監(jiān)控、汽車導(dǎo)航、高級人機(jī)交互等各個領(lǐng)域具有巨大發(fā)展?jié)摿?然而受到目標(biāo)姿勢變化、形狀改變、快速運(yùn)動、噪聲、遮擋、雜波背景等因素的影響,實(shí)現(xiàn)健壯目標(biāo)跟蹤仍面臨極大挑戰(zhàn)。基于稀疏表示的目標(biāo)跟蹤是近年來較為流行的一種目標(biāo)跟蹤方法,尤其在噪聲、部分遮擋等場景下具有非常理想的跟蹤效果。目前該方法面臨效率和精度兩大問題。在效率上,該方法對每個候選樣本求解1最小化問題一次,因而計(jì)算量大,較為耗時;在精度上,1分解具有潛在的不穩(wěn)定性,因而影響候選樣本的稀疏表示精度,影響目標(biāo)跟蹤精度。本文針對以上兩個問題,從以下四個方面進(jìn)行研究,以提高基于稀疏表示的目標(biāo)跟蹤方法在各種復(fù)雜場景下的跟蹤性能。首先,針對視頻圖像序列中被跟蹤對象所包含的豐富多模態(tài)特征信息,先后提出兩種不同融合多模態(tài)特征的目標(biāo)跟蹤方法。其一,對候選樣本的各模態(tài)特征分別進(jìn)行稀疏表示,計(jì)算重建誤差,然后累加計(jì)算總重建誤差,并最終確定目標(biāo)。其二,針對前一方法忽視同一候選樣本各模態(tài)特征間關(guān)聯(lián),從而帶來跟蹤偏差的問題,提出對同一候選樣本的多模態(tài)特征進(jìn)行聯(lián)合稀疏表示,然后分別計(jì)算各模態(tài)特征的重建誤差,并累加計(jì)算總重建誤差,并據(jù)此計(jì)算觀察概率,確定目標(biāo)。其次,將候選樣本與目標(biāo)模板間的局部性關(guān)聯(lián)融入基于稀疏表示的目標(biāo)跟蹤框架。首先根據(jù)每個候選樣本與各目標(biāo)模板之間的相似性對各目標(biāo)模板進(jìn)行加權(quán),以反映它們之間的局部性關(guān)聯(lián)。然后,對每個候選目標(biāo)進(jìn)行稀疏表示,使其更容易被與之相似的目標(biāo)模板表示,從而減少跟蹤偏差,提高跟蹤精度。然后,提出一種基于多模態(tài)加權(quán)聯(lián)合稀疏表示的目標(biāo)跟蹤方法�？紤]到不僅候選樣本與目標(biāo)模板間存在著局部性關(guān)聯(lián)、候選樣本的多模態(tài)特征間存在關(guān)聯(lián)、而且由于候選樣本均采樣于一較小區(qū)域范圍內(nèi),候選樣本間也存在著相似性關(guān)聯(lián),提出同時將候選樣本與目標(biāo)模板間的數(shù)據(jù)局部性、候選樣本的多模態(tài)特征間關(guān)聯(lián)、及候選樣本間的相似性融入基于稀疏表示的目標(biāo)跟蹤框架,有效地提高了各種復(fù)雜場景下的目標(biāo)跟蹤精度。最后,提出基于核稀疏表示的方法以解決目標(biāo)快速運(yùn)動與模糊場景的目標(biāo)跟蹤問題。針對目標(biāo)快速運(yùn)動而產(chǎn)生模糊的情況,通過采用合適的核函數(shù),將候選樣本與目標(biāo)模板非線性地映射到高維希爾伯特(Helbert)空間,然后進(jìn)行稀疏表示,從而有效解決了基于稀疏表示方法不能解決候選樣本與目標(biāo)模板間所存在的非線性關(guān)聯(lián)問題,提高了目標(biāo)快速運(yùn)動與模糊場景的目標(biāo)跟蹤精度。本課題充分考慮了視頻目標(biāo)跟蹤過程中影響跟蹤性能的各種因素,有效地提高了基于稀疏表示目標(biāo)跟蹤方法在各種復(fù)雜場景下的跟蹤性能,為視頻目標(biāo)跟蹤的進(jìn)一步深入研究及實(shí)際應(yīng)用奠定了基礎(chǔ)。
[Abstract]:Video target tracking is a hot issue in computer vision. It has great potential in intelligent monitoring, vehicle navigation, advanced human-computer interaction and so on. However, it is affected by the changes of pose, shape, fast movement, noise, occlusion, etc.Due to clutter background and other factors, robust target tracking still faces great challenges.Target tracking based on sparse representation is a popular target tracking method in recent years, especially in noise, partial occlusion and other scenes.At present, the method is faced with two major problems: efficiency and precision.In terms of efficiency, the method solves 1 minimization problem once for each candidate sample, which results in a large amount of computation and time consuming, and has potential instability in accuracy, thus affecting the sparse representation accuracy of candidate samples.The target tracking accuracy is affected.In order to improve the tracking performance of the sparse representation based target tracking method in various complex scenarios, the following four aspects are studied in this paper.Firstly, aiming at the rich multi-modal feature information contained in the object being tracked in the video image sequence, two different target tracking methods are proposed to fuse the multi-modal features.Firstly, each modal feature of the candidate sample is represented sparsely, then the reconstruction error is calculated, then the total reconstruction error is calculated and the target is finally determined.Secondly, aiming at the problem that the former method neglects the correlation of each modal feature of the same candidate sample, which leads to the tracking deviation, a joint sparse representation of the multi-modal feature of the same candidate sample is proposed.Then the reconstruction error of each modal feature is calculated, and the total reconstruction error is accumulated. The observation probability is calculated accordingly and the target is determined.Secondly, the local association between candidate samples and target templates is incorporated into the sparse representation based target tracking framework.Firstly, each target template is weighted according to the similarity between each candidate sample and each target template to reflect the local association between them.Then, each candidate target is represented sparsely to make it easier to be represented by similar target template, so that the tracking deviation is reduced and the tracking accuracy is improved.Then, a target tracking method based on multimodal weighted joint sparse representation is proposed.Considering that there is not only a local correlation between candidate samples and target templates, but also a similar correlation between candidate samples because the candidate samples are sampled in a small region, and the multi-modal features of candidate samples are correlated.At the same time, the data locality between candidate samples and target templates, the association of multi-modal features of candidate samples, and the similarity between candidate samples are incorporated into the sparse representation based target tracking framework.The precision of target tracking in various complex scenes is improved effectively.Finally, a kernel sparse representation method is proposed to solve the problem of fast moving target and target tracking in fuzzy scene.In view of the ambiguity caused by the fast motion of the target, the candidate samples and the target template are mapped to the high dimensional Hilbert Helbert space by using the appropriate kernel function, and then the sparse representation is performed.Therefore, the nonlinear correlation between candidate samples and target templates can not be solved effectively based on sparse representation, and the target tracking accuracy of fast moving target and fuzzy scene is improved.In this paper, the factors that affect the tracking performance of video target tracking are fully considered, and the tracking performance of the sparse representation based target tracking method in various complex scenarios is improved effectively.It lays a foundation for further research and practical application of video target tracking.
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張新鵬;王朔中;;基于稀疏表示的密寫編碼[J];電子學(xué)報(bào);2007年10期

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

相關(guān)會議論文 前6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 馬進(jìn);田濤;;基于聯(lián)合變換相關(guān)的目標(biāo)跟蹤方法研究[A];2011西部光子學(xué)學(xué)術(shù)會議論文摘要集[C];2011年

4 胡伏原;張艷寧;肖敬若;;一種大范圍的特定目標(biāo)跟蹤方法[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

5 黃雁;羅喜伶;張軍;;一種實(shí)時穩(wěn)健的航拍視頻目標(biāo)跟蹤方法[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國青年通信學(xué)術(shù)會議論文集（下）[C];2008年

6 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

相關(guān)博士學(xué)位論文 前10條

1 段喜萍;復(fù)雜場景下基于稀疏表示的視頻目標(biāo)跟蹤方法研究[D];哈爾濱工業(yè)大學(xué);2017年

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

相關(guān)碩士學(xué)位論文 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

，

本文編號：1763475