發(fā)布時間：2018-06-27 07:42

  本文選題：計算機視覺 + 目標跟蹤�。� 參考：《中國科學技術大學》2017年博士論文

【摘要】：視覺目標跟蹤是計算機視覺中最為重要的研究內(nèi)容之一,并在視頻監(jiān)控、人機交互、增強現(xiàn)實、視覺導航、醫(yī)學圖像分析等領域有著深入的應用。通常,視覺目標跟蹤被視為對目標狀態(tài)的估計和判別。即在給定初始的目標狀態(tài)(如位置、尺度等信息)下,視覺目標跟蹤的目的是在連續(xù)的圖像序列中估計或判別對象目標的狀態(tài)。在過去的數(shù)十年里,視覺目標跟蹤取得了顯著的進展,特別是在有約束條件或相對簡單的環(huán)境下,取得了較好的效果,如靜態(tài)場景下對剛體目標的跟蹤等。然而,在現(xiàn)實世界里,由于目標自身和背景環(huán)境的復雜性,實現(xiàn)魯棒和準確的目標跟蹤仍然是一個挑戰(zhàn)性的問題。跟蹤過程中,算法的性能和效果會受到各種因素的影響,如部分或全部遮擋、光照變化、平面內(nèi)旋轉(zhuǎn)、平面外旋轉(zhuǎn)、背景雜亂、尺度變化和復雜運動等,這些復雜的因素會導致目標表觀發(fā)生顯著的變化。目前,已有或存在的跟蹤方法仍然不能有效解決這些復雜的因素所帶來的問題,視覺目標跟蹤算法的性能還需要進一步的提高。在視覺目標跟蹤過程中,如何有效地表征目標,往往對跟蹤的結(jié)果和性能起著決定性的作用。此外,目標所處的環(huán)境因素對跟蹤的結(jié)果和性能起著重要的影響。特別是在復雜的環(huán)境下,目標特征及目標上下文信息可以為跟蹤提供重要的證據(jù)信息。因而,有效利用目標特征信息及上下文信息表征對象目標,是提高算法性能的重要途徑之一。本文在深入分析視覺目標跟蹤工作機理的基礎上,結(jié)合目標的結(jié)構化特征信息以及上下文信息,從構建魯棒的目標表觀模型角度出發(fā),開展了相關的研究工作,并提出了一些新的思路。本文的主要工作及創(chuàng)新點包括:(1)針對跟蹤過程中表觀發(fā)生劇烈變化的目標跟蹤問題,本文提出了一種新的基于自適應分塊表觀模型的視覺目標跟蹤方法。本文方法用一組空間上具有內(nèi)在幾何結(jié)構關系約束的局部圖像塊表征對象目標,以適應對象目標表觀的劇烈變化。在跟蹤過程中,對象模型的局部分塊依據(jù)目標表觀的變化實現(xiàn)在線自適應的更新(添加和刪除)。本文方法充分利用了局部分塊對表觀變化適應上的靈活性,克服了傳統(tǒng)算法不能及時更新表觀模型的局限性。與此同時,本文方法利用顏色特征構建對象目標的全局概率模型,為局部塊的更新提供了有效的先驗信息,為表觀模型提供了更加可靠、靈活的更新依據(jù)。實驗結(jié)果表明,該方法能夠較好的適應目標的表觀變化,在目標發(fā)生劇烈的表觀變化時能夠有效的跟蹤目標。(2)為在復雜環(huán)境下實現(xiàn)魯棒的目標跟蹤,本文提出了一種基于局部表觀模型和上下文信息的目標跟蹤方法。在跟蹤過程中,利用目標內(nèi)部的局部圖像塊和目標的上下文聯(lián)合表征對象目標,構建目標的表觀模型。首先,將目標表征為一組柵格化的局部圖像塊,利用梯度和亮度信息描述局部圖像塊的特征。局部塊的似然度由穩(wěn)定性和可靠性描述,以評估跟蹤過程中局部塊的魯棒性。本文方法通過局部分塊的表征方式有效的保存了目標內(nèi)部的空間結(jié)構信息,能在復雜環(huán)境下快速適應目標的局部表觀變化。其次,為抑制跟蹤過程中的漂移,目標由分別包含了前景和背景的上下文信息表征。通過在模型的構建過程中融合背景信息,有效的抑制了背景模糊和噪聲對目標跟蹤的影響。實驗結(jié)果表明,該方法能有效的處理遮擋、快速運動和背景模糊等復雜情況。(3)為有效表征對象目標,本文提出了一個層次化的表觀模型,并在貝葉斯框架下構建了基于層次化模型的視覺目標跟蹤方法。跟蹤過程中,對象目標由局部層和全局層組成的層次化表觀模型表征。局部層模型用一組局部分塊描述對象目標,以適應由遮擋、形變等引起的局部表觀變化。全局層模型用包含了前景和背景的目標上下文信息描述目標,以有效處理跟蹤過程中出現(xiàn)的復雜背景、運動模糊等情況導致的影響。該方法通過局部層、全局層的聯(lián)合表征方式,能夠有效提升目標表征的準確性,能夠有效抑制各種復雜情況對跟蹤結(jié)果的影響。實驗結(jié)果表明,該算法具有較高的效率、魯棒性和準確性,在各種復雜環(huán)境下均取得了較高的目標跟蹤性能。(4)為獲取魯棒、準確的跟蹤性能,本文將相干濾波引入到目標跟蹤框架中,基于相干濾波、局部分塊模型和上下文信息提出了一種協(xié)同視覺目標跟蹤方法。為提高目標跟蹤的準確性,本文方法采用粗到細的跟蹤策略。在粗跟蹤階段,目標由多個由隨機采樣獲取的局部圖像塊表征,每個局部塊獨立的執(zhí)行跟蹤任務,目標狀態(tài)由各個局部圖像塊的狀態(tài)預測經(jīng)過加權后初步確定。在細跟蹤階段,目標由包含了背景和前景的雙矩形框聯(lián)合表征。通過在跟蹤過程中融入上下文信息,在貝葉斯推理框架下基于細搜索策略精確估計目標的位置。此外,為在長期的目標跟蹤中獲取魯棒的跟蹤效果,我們基于局部圖像塊的置信度來處理跟蹤過程中發(fā)生的遮擋。跟蹤過程中,本文方法將生成模型和判別模型相融合,實現(xiàn)了兩種模型的優(yōu)勢互補;通過將基于局部模型的跟蹤方式和基于全局模型的跟蹤方式相融合,實現(xiàn)了協(xié)同的目標跟蹤。實驗結(jié)果顯示,本文方法相比已有的常規(guī)算法,具有較高的效率、準確性和魯棒性。
[Abstract]:Visual object tracking is one of the most important research contents in computer vision , and in the field of video monitoring , human - machine interaction , augmented reality , visual navigation , medical image analysis , etc . This paper presents a method of target tracking based on local apparent model and context information . The results show that the method can effectively deal with the complex background and motion blur caused by occlusion , deformation and so on . ( 4 ) In order to obtain robust and accurate tracking performance , the coherent filtering is introduced into the target tracking framework . In order to improve the accuracy of target tracking , a coarse - to - fine tracking strategy is proposed in this paper .
【學位授予單位】：中國科學技術大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 顧勇;張燦果;龔志廣;;基于圖像塊分割融合算法在醫(yī)學圖像中的應用[J];河北建筑工程學院學報;2007年02期

2 李天偉;黃謙;郭模燦;何四華;;圖像塊混沌特征在海面運動目標檢測中的應用[J];中國造船;2011年02期

3 李軍;部分圖像塊的顯示及特技制作技巧[J];電腦編程技巧與維護;1997年04期

4 李生金;蒲寶明;賀寶岳;王維維;;基于圖像塊的滯留物/移取物的檢測方法[J];小型微型計算機系統(tǒng);2014年01期

5 趙德斌;陳耀強;高文;;基于圖像塊方向的自適應無失真編碼[J];模式識別與人工智能;1998年01期

6 陳琦,李華,朱光喜;一種新的應用于屏幕共享的圖像塊識別算法[J];電訊技術;2000年06期

7 劉尚翼;霍永津;羅欣榮;白仲亮;魏林鋒;項世軍;;基于圖像塊相關性分類的加密域可逆數(shù)據(jù)隱藏[J];武漢大學學報(理學版);2013年05期

8 陳奮,閆冬梅,趙忠明;一種快速圖像塊填充算法及其在遙感影像處理中的應用[J];計算機應用;2005年10期

9 馬文龍,余寧梅,銀磊,高勇;圖像塊動態(tài)劃分矢量量化[J];計算機輔助設計與圖形學學報;2005年02期

10 李維釗,王廣偉;圖像塊平坦測度與系數(shù)掃描方式選擇[J];山東電子;2000年04期

相關會議論文 前2條

1 李趙紅;侯建軍;宋偉;;基于圖像塊等級模型的多重認證水印算法[A];第八屆全國信息隱藏與多媒體安全學術大會湖南省計算機學會第十一屆學術年會論文集[C];2009年

2 鐘凡;莫銘臻;秦學英;彭群生;;基于WSSD的不規(guī)則圖像塊快速匹配[A];中國計算機圖形學進展2008--第七屆中國計算機圖形學大會論文集[C];2008年

相關博士學位論文 前6條

1 霍雷剛;圖像處理中的塊先驗理論及應用研究[D];西安電子科技大學;2015年

2 欽夏孟;稠密圖像塊匹配方法及其應用[D];北京理工大學;2015年

3 林樂平;基于過完備字典的非凸壓縮感知理論與方法研究[D];西安電子科技大學;2016年

4 向濤;復雜場景下目標檢測算法研究[D];電子科技大學;2016年

5 鮑華;復雜場景下基于局部分塊和上下文信息的單視覺目標跟蹤[D];中國科學技術大學;2017年

6 宋偉;幾類數(shù)字圖像水印算法的研究[D];北京交通大學;2010年

相關碩士學位論文 前10條

1 王榮麗;基于半監(jiān)督學習的目標跟蹤方法研究[D];浙江師范大學;2015年

2 祝漢城;數(shù)字圖像的客觀質(zhì)量評價方法研究[D];中國礦業(yè)大學;2015年

3 陸杰;使用自組織增量神經(jīng)網(wǎng)絡實現(xiàn)單層非監(jiān)督特征學習[D];南京大學;2015年

4 熊耀先;基于圖像塊統(tǒng)計特性的EPLL遙感圖像復原方法[D];國防科學技術大學;2014年

5 張書揚;基于冗余字典的圖像壓縮感知技術研究[D];吉林大學;2016年

6 楊存強;基于圖像塊多級分類和稀疏表示的超分辨率重建算法研究[D];天津工業(yè)大學;2016年

7 李向向;視頻監(jiān)控下實時異常行為檢測研究[D];南京郵電大學;2016年

8 程曉東;基于幀間塊約束和進化計算的視頻壓縮感知重構方法[D];西安電子科技大學;2016年

9 李小青;基于脊波冗余字典和多目標遺傳優(yōu)化的壓縮感知圖像重構[D];西安電子科技大學;2016年

10 文俊;基于深度卷積神經(jīng)網(wǎng)絡的室外場景理解研究[D];杭州電子科技大學;2016年

，

本文編號：2073187