【摘要】：視頻序列中的目標跟蹤問題是計算機視覺領域的研究熱點,它融合了機器學習與模式識別等領域的研究成果,在視頻監(jiān)控、智能交通以及現(xiàn)代軍事中得到了廣泛的應用。針對目標跟蹤問題,國內(nèi)外的研究者們開展了大量的研究,并提出了許多行之有效的跟蹤算法,但是如何在復雜多變的自然場景中對表觀變化的目標進行魯棒的跟蹤仍然是一個極具挑戰(zhàn)性的問題。常見的跟蹤難點包括：場景光流的變化、目標尺度的變化、局部遮擋、目標的非剛性形變以及位姿的變化等。這些難點導致目標在視頻中的表觀呈現(xiàn)出非線性的變化,從而使跟蹤問題變得更加復雜。本文針對上述難點問題,對目標跟蹤問題進行了深入的研究,旨在提高目標跟蹤算法的準確性和魯棒性。本文的主要貢獻如下：(1)提出了一種基于整體稀疏表示粒子預判的兩步目標跟蹤算法。針對大多數(shù)相關算法需要對全部采樣粒子進行觀測建模的問題,該算法在第一步采用整體模板的稀疏表示來建模粒子預判問題,并通過粒子預判去除偏離目標真實狀態(tài)較遠的粒子,能夠有效減少樣本的數(shù)目,提高算法效率。為了降低跟蹤中發(fā)生漂移的可能性,該算法在第二步將目標的初始狀態(tài)和當前狀態(tài)同時作為觀測參考,提高了跟蹤結(jié)果的準確性。多個測試視頻的跟蹤實驗結(jié)果表明了該算法的有效性。(2)提出了一種基于局部判別稀疏表示的目標跟蹤算法。該算法針對現(xiàn)有相關算法對目標與背景區(qū)分能力不足的問題,增加了局部背景圖像作為負樣本來訓練字典,兼顧了字典的表達能力和判別能力；針對現(xiàn)有局部稀疏模型缺少目標全局信息的問題,將目標建模為指定局部圖像在字典空間上的稀疏編碼直方圖,這些局部圖像構(gòu)成了稀疏字典且具有一定的結(jié)構(gòu)性,因此目標模型能夠有效地聯(lián)合目標的局部特征和全局結(jié)構(gòu)特征。為了提高觀測模型的準確性,設計了基于目標結(jié)構(gòu)信息的相似性系數(shù)來衡量目標與樣本間的相似性,并對目標模型進行主動的更新以適應跟蹤中的表觀變化。實驗結(jié)果表明該算法能夠處理大部分的跟蹤難點問題,并且具有較高的跟蹤精度。(3)提出了一種基于加權(quán)結(jié)構(gòu)稀疏表示的目標跟蹤算法。該算法采用結(jié)構(gòu)稀疏表示對目標建模,能夠充分利用目標局部圖像間的結(jié)構(gòu)信息,有效地避免了模型的退化；同時在結(jié)構(gòu)稀疏字典中添加背景信息,能夠增強模型對背景的判別能力；此外根據(jù)局部圖像在表達目標時所起的作用分配重要性權(quán)重,并將目標建模為加權(quán)結(jié)構(gòu)稀疏模型,極大地提高了模型的魯棒性；為了減輕局部遮擋對跟蹤的影響,在設計觀測模型時增加了遮擋檢測模塊。在多個測試視頻上的實驗結(jié)果表明加權(quán)結(jié)構(gòu)稀疏模型對目標表觀變化具有很好的適應性,該算法在跟蹤中表現(xiàn)出良好的魯棒性和準確性。(4)提出了一種基于局部聯(lián)合稀疏表示的多任務跟蹤算法。該算法針對相關算法對樣本結(jié)構(gòu)信息利用不足的問題,將樣本中局部圖像的稀疏編碼視為獨立的任務,并在多任務學習框架下對所有樣本的局部圖像進行聯(lián)合稀疏編碼。這種聯(lián)合稀疏編碼能夠最大程度地挖掘樣本內(nèi)部以及樣本之間的結(jié)構(gòu)關系,在增加模型表達能力的同時提高算法的工作效率。此外,還設計了聯(lián)合相似性度量函數(shù),從整體和局部兩個方面衡量目標和樣本之間的相似程度,提高了觀測模型的可靠性。實驗表明該算法在測試視頻上具有更加準確的跟蹤結(jié)果。綜上,本文分別利用整體稀疏表示、局部判別稀疏表示、加權(quán)結(jié)構(gòu)稀疏表示以及局部聯(lián)合稀疏表示實現(xiàn)了視頻序列的目標跟蹤,并對這四種跟蹤算法進行了實驗分析,實驗結(jié)果證明本論文漸進地提高了目標跟蹤算法的準確性和魯棒性。
[Abstract]:The target tracking problem in the video sequence is a hot topic in the field of computer vision. It combines the research results in the fields of machine learning and pattern recognition, and has been widely used in video surveillance, intelligent traffic and modern military. Aiming at the problem of target tracking, researchers at home and abroad have carried out a lot of research and put forward many effective tracking algorithms, but how to track the target of apparent change in the complex and changeable natural scene is still a challenging problem. The common tracking difficulties include the change of the scene light flow, the change of the target scale, the local occlusion, the non-rigid deformation of the target, and the change of the position. these difficulties lead to an apparent non-linear change in the target's appearance in the video, making the tracking problem more complex. The aim of this paper is to improve the accuracy and robustness of the target tracking algorithm. The main contributions of this paper are as follows: (1) A two-step target tracking algorithm based on the overall sparse representation of particle pre-judgment is presented. Aiming at the problem that most relevant algorithms need to observe and model all sampling particles, the algorithm uses the sparse representation of the whole template in the first step to model the particle pre-judgment problem, and the particles which deviate from the real state of the target are pre-determined by the particles, the number of samples can be effectively reduced, and the algorithm efficiency is improved. in order to reduce the possibility of drift in the tracking, the algorithm improves the accuracy of the tracking result by taking the initial state and the current state of the target as the observation reference in the second step. The experimental results of a plurality of test videos show the effectiveness of the algorithm. (2) A target tracking algorithm based on partial discrimination and sparse representation is proposed. aiming at the problem that the existing correlation algorithm is insufficient to distinguish the target and the background, the local background image is added as a negative sample to train the dictionary, the expression capability and the judgment capability of the dictionary are taken into account, the problem that the existing local sparse model lacks the target global information is solved, The target is modeled as a sparse coding histogram of a given local image in a dictionary space, which form a sparse dictionary and have a certain structure, so that the target model can effectively combine the local features and the global structural features of the target. In order to improve the accuracy of the observation model, a similarity coefficient based on the target structure information is designed to measure the similarity between the target and the sample, and the target model is actively updated to meet the apparent change in the tracking. The experimental results show that the algorithm can deal with most of the tracking difficulties and has higher tracking precision. (3) A target tracking algorithm based on the sparse representation of the weighted structure is proposed. The method adopts the structure sparse representation to model the target, can fully utilize the structure information between the target local images, effectively avoids the degradation of the model, and simultaneously adds the background information in the structure sparse dictionary, so that the discrimination capability of the model on the background can be enhanced; in addition, the importance weight is distributed according to the action of the local image when the target is expressed, and the target is modeled as a weighted structure sparse model, so that the robustness of the model is greatly improved; and in order to reduce the influence of the local occlusion on the tracking, the occlusion detection module is added when the observation model is designed. The experimental results show that the weighted-structure sparse model has good adaptability to the apparent change of the target, and the algorithm shows good robustness and accuracy in the tracking. (4) A multi-task tracking algorithm based on local joint sparse representation is proposed. Aiming at the problem that the correlation algorithm has insufficient use of the sample structure information, the sparse coding of the local image in the sample is regarded as an independent task, and the partial images of all the samples are combined and sparse coded under the multi-task learning framework. The combined sparse coding can maximize the structural relationship between the samples and the samples, and improve the working efficiency of the algorithm while increasing the expression ability of the model. In addition, a joint similarity measure function is designed to measure the similarity between the target and the sample from both the whole and the local aspects, and the reliability of the observation model is improved. The experiment shows that the algorithm has more accurate tracking results on the test video. In this paper, the target tracking of the video sequence is realized by the sparse representation of the whole, the sparse representation of the local discrimination, the sparse representation of the weighted structure and the local joint sparse representation, and the four tracking algorithms are analyzed. The experimental results show that this paper improves the accuracy and robustness of the target tracking algorithm.
【學位授予單位】：大連理工大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學報;2009年01期

2 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];光譜學與光譜分析;2009年07期

3 楊蜀秦;寧紀鋒;何東健;;基于稀疏表示的大米品種識別[J];農(nóng)業(yè)工程學報;2011年03期

4 史加榮;楊威;魏宗田;;基于非負稀疏表示的人臉識別[J];計算機工程與設計;2012年05期

5 高志榮;熊承義;笪邦友;;改進的基于殘差加權(quán)的稀疏表示人臉識別[J];中南民族大學學報(自然科學版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學習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

7 耿耀君;張軍英;袁細國;;一種基于稀疏表示系數(shù)的特征相關性測度[J];模式識別與人工智能;2013年01期

8 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];計算機工程與應用;2013年05期

9 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檢測[J];彈箭與制導學報;2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識別算法研究[J];模式識別與人工智能;2014年01期

相關會議論文 前3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];虛擬運營與云計算——第十八屆全國青年通信學術年會論文集（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識別[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學學會水聲學分會2013年全國水聲學學術會議論文集[C];2013年

相關博士學位論文 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學;2015年

2 王亞寧;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學;2014年

3 姚明海;視頻異常事件檢測與認證方法研究[D];東北師范大學;2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點與藥物適應癥預測方法研究[D];上海大學;2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復原與壓縮研究[D];北京工業(yè)大學;2015年

6 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;2015年

7 解虎;高維小樣本陣列自適應信號處理方法研究[D];西安電子科技大學;2015年

8 秦振濤;基于稀疏表示及字典學習遙感圖像處理關鍵技術研究[D];成都理工大學;2015年

9 薛明;基于稀疏表示的在線目標跟蹤研究[D];上海交通大學;2014年

10 孫樂;空譜聯(lián)合先驗的高光譜圖像解混與分類方法[D];南京理工大學;2014年

相關碩士學位論文 前10條

1 王道文;基于稀疏表示的目標跟蹤算法研究[D];華南理工大學;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;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;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;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;2015年

6 黃志明;基于辨別式稀疏字典學習的視覺追蹤算法研究[D];華南理工大學;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;2015年

8 賀妍斐;基于稀疏表示與自適應倒易晶胞的遙感圖像復原方法研究[D];南京信息工程大學;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;2015年

10 應艷麗;基于低秩稀疏表示的目標跟蹤算法研究[D];西南交通大學;2015年

，

本文編號：2382451