視頻目標(biāo)跟蹤是計算機視覺領(lǐng)域中的經(jīng)典問題。其通過第一幀中的目標(biāo)圖像來預(yù)測目標(biāo)在之后各幀中的狀態(tài),為行為分析和異常檢測等研究提供軌跡信息。隨著人工智能和機器學(xué)習(xí)算法的不斷發(fā)展,視頻目標(biāo)跟蹤已經(jīng)廣泛應(yīng)用于人們的生產(chǎn)生活中,對其研究具有較高的理論價值和廣泛的應(yīng)用價值。由于跟蹤目標(biāo)和場景的復(fù)雜性與多樣性,提升跟蹤算法在遮擋、快速運動、形變等復(fù)雜場景下的跟蹤性能,仍然是視頻目標(biāo)跟蹤中亟需解決的問題。本文針對視頻目標(biāo)跟蹤算法在復(fù)雜場景下所面臨的問題和挑戰(zhàn),分別基于生成式模型、判別式模型、混合式模型以及深度模型四個方面構(gòu)建跟蹤算法,以期獲得一個具有較好普適性和跟蹤性能的視頻目標(biāo)跟蹤方案。本文主要的研究內(nèi)容及成果如下:（1）提出了一種基于雙層超像素和反饋機制的生成式跟蹤算法。首先,采用雙邊濾波器濾除視頻圖像中的噪聲,突出目標(biāo)的邊緣信息,以便目標(biāo)的超像素分割,并提出一個基于粗、細粒度超像素的目標(biāo)外觀表征模型。該模型可以自適應(yīng)調(diào)節(jié)超像素個數(shù),提升外觀表征模型的表征能力。然后,提出一種結(jié)合超像素顏色和空間相對位置的相似性度量方法用于置信度圖的計算,該度量方法同時考慮了目標(biāo)的顏色相似性和空間結(jié)構(gòu)信息。最后,通... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：167 頁

【學(xué)位級別】：博士

【部分圖文】：

視頻目標(biāo)跟蹤的基本思路[27]

光照變化挑戰(zhàn)(Illumination Variation,IV)指的是隨著視頻幀的推移,目標(biāo)區(qū)域的光照出現(xiàn)明顯變化的情形,如圖1.3所示。這種情況會導(dǎo)致目標(biāo)顏色或者灰度特征的急劇變化,造成基于顏色或者灰度構(gòu)建的目標(biāo)外觀表征模型不能很好的表示目標(biāo)從而造成跟蹤失敗。(2)尺度變化挑戰(zhàn)

尺度變化挑戰(zhàn)(Scale Variation,SV)指的是隨著目標(biāo)視頻幀的推移,初始幀中的目標(biāo)框和當(dāng)前目標(biāo)框的比值超過一個特定的閾值ts的情況,其中閾值ts>1,在文獻[115]中ts被設(shè)定為2,如圖1.4所示。目標(biāo)尺度的變化會伴隨著目標(biāo)像素個數(shù)的變化,對跟蹤算法外觀表征模型的構(gòu)建帶來挑戰(zhàn)。有時跟蹤算法能定位目標(biāo)的中心位置,但是卻很難估計目標(biāo)的大小從而造成跟蹤算法精確度較高,但成功率不高的情況。(3)遮擋挑戰(zhàn)

【參考文獻】：
期刊論文
[1]精確制導(dǎo)系統(tǒng)面臨的挑戰(zhàn)與對策[J]. 高曉冬,王楓,范晉祥.  戰(zhàn)術(shù)導(dǎo)彈技術(shù). 2017(06)
[2]無人機導(dǎo)航路徑跟蹤精確制導(dǎo)仿真研究[J]. 陳子昂,杏建軍,鄭黎明,于洋.  計算機仿真. 2017(10)
[3]中國智能交通系統(tǒng)發(fā)展戰(zhàn)略研究[J]. 王笑京,沈鴻飛,汪林.  交通運輸系統(tǒng)工程與信息. 2006(04)
[4]人機交互的進展及面臨的挑戰(zhàn)[J]. 董士海.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2004(01)

博士論文
[1]視頻目標(biāo)跟蹤技術(shù)研究[D]. 謝超.中國科學(xué)技術(shù)大學(xué) 2018
[2]基于視覺系統(tǒng)的智能目標(biāo)跟蹤算法研究[D]. 產(chǎn)思賢.浙江工業(yè)大學(xué) 2018
[3]復(fù)雜環(huán)境下魯棒目標(biāo)跟蹤方法[D]. 李軍偉.浙江工業(yè)大學(xué) 2018
[4]智能視頻監(jiān)控下的多目標(biāo)跟蹤技術(shù)研究[D]. 李彤.中國科學(xué)技術(shù)大學(xué) 2013
[5]智能視頻監(jiān)控技術(shù)研究[D]. 孔曉東.上海交通大學(xué) 2008

碩士論文
[1]精確制導(dǎo)中的圖像匹配和跟蹤算法研究[D]. 沈曄青.南京航空航天大學(xué) 2007



本文編號：3584122