本文選題：視頻 + 目標(biāo)跟蹤與分割��； 參考：《電子科技大學(xué)》2016年博士論文

【摘要】：視頻目標(biāo)的跟蹤與分割是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)備受關(guān)注的研究分支,是計(jì)算機(jī)視覺領(lǐng)域最重要的底層技術(shù)之一,為其它算法的可靠運(yùn)行提供了必要的前提條件。目標(biāo)跟蹤是指在起始階段給定目標(biāo)的初始狀態(tài),并能夠在后續(xù)的視頻中估計(jì)出目標(biāo)在每幀圖像中的狀態(tài)。在某些應(yīng)用中,不僅需要跟蹤目標(biāo)位置,而且還需要精確描述目標(biāo)的輪廓信息。視頻目標(biāo)分割結(jié)合了目標(biāo)跟蹤和圖像分割的相關(guān)技術(shù),可以對(duì)剛性或柔性目標(biāo)進(jìn)行跟蹤與分割。目前已有的目標(biāo)跟蹤與分割算法在適應(yīng)目標(biāo)的自身形變、目標(biāo)遮擋和尺度變化等方面存在著較多的問題。針對(duì)這些問題,本文共提出了四種視頻目標(biāo)跟蹤與分割算法,其中有兩種算法利用回歸模型實(shí)現(xiàn)了對(duì)視頻目標(biāo)的跟蹤,對(duì)剛性目標(biāo)的尺度變化具有較強(qiáng)的魯棒性;另兩種算法結(jié)合圖像分割理論實(shí)現(xiàn)了對(duì)視頻目標(biāo)的跟蹤與分割,可以實(shí)現(xiàn)任意形式目標(biāo)(剛性或柔性目標(biāo))的分割,并對(duì)目標(biāo)的遮擋和尺度變化也具有較強(qiáng)的魯棒性。主要內(nèi)容包括四個(gè)方面：1.基于學(xué)習(xí)的模板跟蹤方法通常建立在目標(biāo)外貌特征與目標(biāo)運(yùn)動(dòng)模型成線性關(guān)系的假設(shè)上。由于該假設(shè)過于理想化,實(shí)際二者之間的關(guān)系常常為非線性映射關(guān)系,因此這種假設(shè)會(huì)影響系統(tǒng)的跟蹤精度。針對(duì)這一問題,本文提出了混合線性回歸模型的模板跟蹤方法,它可以更加精確地描述真實(shí)問題,避免了由單一線性模型造成的非線性誤差,提高了目標(biāo)跟蹤的精度;并且,整個(gè)學(xué)習(xí)過程完全由數(shù)據(jù)驅(qū)動(dòng),不需要人為干預(yù),因此也避免了單一非線性回歸模型中需要預(yù)先確定模型方程階數(shù)的困擾。同時(shí),針對(duì)現(xiàn)有回歸模型進(jìn)行目標(biāo)跟蹤的方法中模型學(xué)習(xí)計(jì)算量大的問題,本論文提出了快速學(xué)習(xí)的方法。它將一個(gè)較大維數(shù)的矩陣求逆運(yùn)算轉(zhuǎn)換成兩個(gè)較低維數(shù)的矩陣求逆運(yùn)算,大大減少了算法的學(xué)習(xí)時(shí)間；并且,克服了混合模型中每個(gè)子模型由于學(xué)習(xí)樣本少而容易受到噪聲影響的缺點(diǎn)。本算法是將目標(biāo)的運(yùn)動(dòng)模型與圖像特征構(gòu)建關(guān)系,在跟蹤過程中可以直接計(jì)算出目標(biāo)的運(yùn)動(dòng)方向、速度和尺度變化等。2.針對(duì)混合線性回歸模型中各子模型關(guān)注系數(shù)與輸入樣本無關(guān)的問題,本文提出了混合專家系統(tǒng)模型的模板跟蹤方法,它利用“軟邊界”理論將各子模型的關(guān)注系數(shù)推廣成為輸入樣本的函數(shù),因此混合專家系統(tǒng)模型是混合線性模型的擴(kuò)展形式,與單一回歸模型相比,它同樣具有混合線性模型的性質(zhì)。利用最大似然函數(shù)法在模型的學(xué)習(xí)過程中將模型參數(shù)獨(dú)立開來,可以分別求解。并且,本論文提出了預(yù)測(cè)子和線性表達(dá)系數(shù)的在線求解方法,增強(qiáng)了系統(tǒng)對(duì)不同環(huán)境的適應(yīng)能力。3.在某些應(yīng)用中,不僅需要跟蹤目標(biāo)位置,而且還需要精確描述目標(biāo)的輪廓信息。并且,其目標(biāo)通常是具有自身形變的柔性物體。針對(duì)這些問題,本論文提出了一種基于顯著性濾波器的視頻目標(biāo)分割方法。視頻目標(biāo)分割不僅需要實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤,而且需要對(duì)目標(biāo)的輪廓進(jìn)行精確描述。本算法將目標(biāo)跟蹤與分割轉(zhuǎn)化為顯著性分割問題,通過計(jì)算連續(xù)兩幀之間目標(biāo)的“相對(duì)顯著性”和單幅圖像的“絕對(duì)顯著性”,表達(dá)目標(biāo)在時(shí)空中的一致性。根據(jù)目標(biāo)的顯著性特征建立條件隨機(jī)場(chǎng),并利用圖分割理論實(shí)現(xiàn)目標(biāo)的跟蹤與分割。本算法屬于基于區(qū)域的分割方式,每個(gè)區(qū)域采用Local Log-Euclidean Covariance Matrix (L2ECM)特征進(jìn)行描述,這種特征可以將不同的原始信息相融合,不受區(qū)域形狀及尺度的影響,完全可以對(duì)具有自身形變的柔性目標(biāo)進(jìn)行跟蹤與分割,具有較強(qiáng)的魯棒性。同時(shí),本算法中的系數(shù)在線調(diào)整策略可以根據(jù)不同線索函數(shù)對(duì)圖像的分辨能力調(diào)整其在能量函數(shù)中的關(guān)注程度,增強(qiáng)了系統(tǒng)的魯棒性。4.為了提高視頻目標(biāo)的分割精度,本論文提出了一種基于矩陣低秩稀疏表達(dá)的視頻目標(biāo)分割方法。它將當(dāng)前幀中的圖像看作是模板集的線性組合,視頻目標(biāo)的分割問題則可以轉(zhuǎn)化為矩陣低秩稀疏優(yōu)化問題,其計(jì)算獲得的線性系數(shù)可以作為度量目標(biāo)時(shí)空一致性的標(biāo)準(zhǔn)。同時(shí),本論文提出了模板集更新策略,在柔性目標(biāo)或目標(biāo)被部分遮擋的情況下,系統(tǒng)仍然能夠較好地跟蹤與分割目標(biāo)。結(jié)合系數(shù)的在線調(diào)整策略,完全實(shí)現(xiàn)了不同視頻環(huán)境下目標(biāo)的在線分割。并且,本算法町以通過修改字典模板的表達(dá)方式,在不增加學(xué)習(xí)系統(tǒng)復(fù)雜度的情況下實(shí)現(xiàn)多目標(biāo)的跟蹤與分割。
[Abstract]:The tracking and segmentation of video objects is one of the most important research branches in the field of computer vision , which is one of the most important underlying technologies in the field of computer vision .
In order to improve the segmentation accuracy of the video object , this paper proposes a method for the segmentation of the target tracking and segmentation .

【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 單甘霖;梅衛(wèi);王春平;;聯(lián)合目標(biāo)跟蹤與分類技術(shù)的進(jìn)展及存在問題[J];兵工學(xué)報(bào);2007年06期

2 蘇艷蘋;王戰(zhàn)偉;;極坐標(biāo)系下的目標(biāo)運(yùn)動(dòng)模型研究[J];河南科學(xué);2012年02期

3 曾鵬鑫;陳鵬;朱琳琳;徐心和;;基于目標(biāo)運(yùn)動(dòng)模型的跟蹤方法[J];系統(tǒng)仿真學(xué)報(bào);2006年12期

4 呂鐵軍;蔣宏;梁國(guó)威;丁全心;;基于多模型的聯(lián)合目標(biāo)跟蹤與分類算法[J];電光與控制;2013年08期

5 王來雄,黃士坦;一種新的基于粒子濾波的多模型跟蹤算法[J];信號(hào)處理;2005年05期

6 龔亞信;楊宏文;胡衛(wèi)東;郁文賢;;基于多模粒子濾波的機(jī)動(dòng)弱目標(biāo)檢測(cè)前跟蹤[J];電子與信息學(xué)報(bào);2008年04期

7 黃冬民;潘泉;張洪才;;運(yùn)動(dòng)目標(biāo)聯(lián)合跟蹤與分類研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2011年06期

8 鄭容，，文成林，施晨鳴，張洪才;多分辨多模型機(jī)動(dòng)目標(biāo)跟蹤[J];電子學(xué)報(bào);1998年12期

9 王峰;孔令講;楊曉波;;基于道路約束的粒子濾波檢測(cè)前跟蹤算法[J];雷達(dá)科學(xué)與技術(shù);2011年06期

10 斯通·科溫·霍夫曼 ,蘇長(zhǎng)云;用于艦艇的多目標(biāo)多傳感器數(shù)據(jù)融合技術(shù)(續(xù))[J];情報(bào)指揮控制系統(tǒng)與仿真技術(shù);1999年09期

相關(guān)會(huì)議論文 前2條

1 楚威;閻星娥;蘇春梅;;仿真系統(tǒng)中飛機(jī)目標(biāo)典型運(yùn)動(dòng)模型的研究與實(shí)現(xiàn)[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

2 張曉勇;羅來源;;被動(dòng)測(cè)向聲納目標(biāo)最近時(shí)刻估計(jì)[A];第六屆全國(guó)信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2012年

相關(guān)博士學(xué)位論文 前10條

1 馮肖雪;復(fù)雜環(huán)境下多傳感器目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];西北工業(yè)大學(xué);2015年

2 江同洋;基于隨機(jī)有限集的多目標(biāo)貝葉斯濾波方法研究[D];浙江大學(xué);2015年

3 史春妹;隨機(jī)濾波方程數(shù)值解法及顯微目標(biāo)跟蹤研究[D];哈爾濱工業(yè)大學(xué);2015年

4 趙海楠;視覺目標(biāo)跟蹤中表觀建模方法研究[D];哈爾濱工業(yè)大學(xué);2016年

5 張國(guó)亮;紅外多光譜多個(gè)弱小運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

6 顧菘;視頻目標(biāo)的跟蹤與分割的理論和方法研究[D];電子科技大學(xué);2016年

7 鐘金琴;基于視覺的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];合肥工業(yè)大學(xué);2014年

8 趙玲玲;目標(biāo)跟蹤中的粒子濾波與概率假設(shè)密度濾波研究[D];哈爾濱工業(yè)大學(xué);2011年

9 羅飛騰;目標(biāo)跟蹤的粒子濾波技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

10 王勇;基于統(tǒng)計(jì)方法的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)研究[D];華中科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 段羽浩;基于SE-WORKBENCH的飛機(jī)目標(biāo)雷達(dá)信號(hào)仿真[D];華中科技大學(xué);2014年

2 陳大龍;基于DSP的目標(biāo)檢測(cè)與跟蹤系統(tǒng)的研究與設(shè)計(jì)[D];燕山大學(xué);2016年

3 張儒元;基于PTZ鏡頭的主動(dòng)目標(biāo)跟蹤[D];西安電子科技大學(xué);2009年

4 范晶晶;分布式多視角目標(biāo)跟蹤的統(tǒng)計(jì)推理方法及實(shí)現(xiàn)[D];復(fù)旦大學(xué);2011年

5 胡鵬;Kalman濾波在視頻目標(biāo)跟蹤中的應(yīng)用研究[D];重慶大學(xué);2010年

6 張虎;MeanShift粒子濾波算法在視頻目標(biāo)跟蹤中的應(yīng)用研究[D];廣西科技大學(xué);2013年

7 徐鐵城;基于分類多模型法的目標(biāo)跟蹤研究[D];武漢理工大學(xué);2011年

8 伍俊橙;多目標(biāo)粒子濾波算法研究[D];電子科技大學(xué);2014年

9 田園;目標(biāo)跟蹤中抗遮擋跟蹤算法研究[D];哈爾濱工業(yè)大學(xué);2010年

10 那仁圖雅;岸對(duì)海逆合成孔徑雷達(dá)目標(biāo)檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2013年

本文編號(hào)：1781676