本文關(guān)鍵詞：復(fù)雜場(chǎng)景下的目標(biāo)跟蹤算法研究

  更多相關(guān)文章： 目標(biāo)跟蹤 在線學(xué)習(xí) 稀疏表示 表觀模型 模板更新

【摘要】：視覺(jué)目標(biāo)跟蹤技術(shù)是計(jì)算機(jī)視覺(jué)的重要研究課題之一,它是進(jìn)行更高層次行為識(shí)別和圖像語(yǔ)義理解的必要前提,有著廣泛的應(yīng)用背景(比如視頻監(jiān)控、智能交通、機(jī)器人導(dǎo)航等)。在跟蹤過(guò)程中,如何有效地表示目標(biāo)的表觀,同時(shí)排除外界環(huán)境中的干擾因素(比如姿態(tài)變化、形狀變化、光照變化、相機(jī)運(yùn)動(dòng)、目標(biāo)遮擋等),是視覺(jué)跟蹤中需要解決的問(wèn)題。雖然在過(guò)去幾十年目標(biāo)跟蹤的研究有了很大的發(fā)展,但實(shí)踐表明復(fù)雜場(chǎng)景中的運(yùn)動(dòng)目標(biāo)跟蹤算法還遠(yuǎn)未成熟,仍然是一個(gè)富有挑戰(zhàn)性的課題。針對(duì)跟蹤過(guò)程中存在的困難,本論文在研究了傳統(tǒng)目標(biāo)跟蹤算法的基礎(chǔ)上,重點(diǎn)對(duì)目標(biāo)表觀的建模、模板更新方式、跟蹤優(yōu)化框架等方面進(jìn)行了深入地研究。論文的主要工作和貢獻(xiàn)包括：1)提出了一種基于粒子群優(yōu)化框架下的目標(biāo)跟蹤算法。該算法考慮了目標(biāo)的局部信息和不同幀之間SIFT特征點(diǎn)匹配,目標(biāo)的局部信息能夠處理部分遮擋,丟失的目標(biāo)通過(guò)不同幀之間SIFT特征點(diǎn)匹配重新找到。首先將一個(gè)目標(biāo)狀態(tài)劃分為多個(gè)不重疊的片段(Patch),每一個(gè)片段表示目標(biāo)不同的部分,同時(shí)定義了片段的顯著性函數(shù)。在跟蹤過(guò)程中,利用顯著值高的片段來(lái)對(duì)目標(biāo)跟蹤；當(dāng)目標(biāo)發(fā)生漂移時(shí),通過(guò)當(dāng)前幀圖像的SIFT特征與目標(biāo)模板相匹配來(lái)重新找到目標(biāo)。另外,為了獲得更加精確的目標(biāo)狀態(tài),將匹配得到的SIFT特征點(diǎn)的位置信息融入到粒子群算法迭代的結(jié)果中。最后對(duì)目標(biāo)模板更新時(shí),只更新片段顯著值高的目標(biāo)模板,而顯著值低的片段模板不更新,因此,該算法的更新方式避免了噪聲混入到目標(biāo)模板中造成跟蹤質(zhì)量下降。該算法在一些挑戰(zhàn)性的視頻數(shù)據(jù)集上進(jìn)行了驗(yàn)證,通過(guò)對(duì)實(shí)驗(yàn)結(jié)果定性和定量分析說(shuō)明了該算法的優(yōu)越性。2)提出了一種等級(jí)關(guān)聯(lián)的粒子群迭代多目標(biāo)檢測(cè)跟蹤算法。針對(duì)目標(biāo)在跟蹤過(guò)程中受環(huán)境變化影響使其跟蹤發(fā)生偏移的問(wèn)題,本文提出了一種從目標(biāo)粗匹配到粒子群算法精確定位的等級(jí)關(guān)聯(lián)的多目標(biāo)跟蹤算法。粗匹配階段,在粒子隨機(jī)產(chǎn)生過(guò)程中融入了上下文信息,通過(guò)粒子的標(biāo)號(hào)信息找到當(dāng)前幀目標(biāo)與前一幀中的哪個(gè)目標(biāo)相匹配；目標(biāo)精確定位階段,通過(guò)粒子群迭代優(yōu)化,找到目標(biāo)最終的位置。對(duì)于有顯著偏差的目標(biāo)位置,采用Metropolis-Hastings采樣算法進(jìn)行糾正,同時(shí)完成模板更新。當(dāng)目標(biāo)之間發(fā)生遮擋時(shí),通過(guò)自適應(yīng)調(diào)整不同線索(顏色線索和運(yùn)動(dòng)線索)的權(quán)重來(lái)適應(yīng)環(huán)境的變化,從而繼續(xù)跟蹤目標(biāo)。實(shí)驗(yàn)證明,該方法融入了目標(biāo)的上下文信息,使得目標(biāo)匹配的準(zhǔn)確度得到了提高,降低了跟蹤的目標(biāo)發(fā)生錯(cuò)誤跟蹤的可能。3)提出了一種基于超像素的在線跟蹤算法。本文將超像素作為視覺(jué)線索,在此基礎(chǔ)上提出了兩種跟蹤算法：基于超像素的L1跟蹤算法(Superpixel-L1 Tracker, SPL1)和加權(quán)多示例學(xué)習(xí)跟蹤算法(Weighted Multiple-Instance Learning, WMIL)。對(duì)于SPL1算法,通過(guò)超像素來(lái)構(gòu)造字典對(duì)目標(biāo)表觀建模,然后在粒子濾波的框架下求解每一個(gè)粒子(候選目標(biāo)狀態(tài))的L1范數(shù)最小化問(wèn)題。把重構(gòu)誤差最小的候選狀態(tài)作為跟蹤結(jié)果。在字典更新過(guò)程中,為了減輕目標(biāo)發(fā)生漂移的影響,而保留初始幾幀的信息。對(duì)于WMIL算法,利用超像素特征建模目標(biāo)的表觀。跟蹤過(guò)程中,每一個(gè)采樣粒子依據(jù)對(duì)跟蹤的貢獻(xiàn)被賦予一個(gè)權(quán)重值,然后在多示例學(xué)習(xí)框架下訓(xùn)練分類器,并把分類值最高的候選目標(biāo)狀態(tài)作為目標(biāo)跟蹤的位置。最后,利用加權(quán)后得到的正負(fù)示例包來(lái)更新分類器。仿真結(jié)果驗(yàn)證了兩種算法在目標(biāo)發(fā)生長(zhǎng)時(shí)間遮擋、尺度和光照變化時(shí)依然能夠穩(wěn)定地跟蹤目標(biāo)。4)提出了一種生成式模型和判別式模型協(xié)同的多任務(wù)學(xué)習(xí)跟蹤算法。生成式模型忽視了一些對(duì)目標(biāo)判別有用的背景信息,因此,他們?cè)诟蓴_的環(huán)境下跟蹤目標(biāo)的效率不高。而判別式方法能夠充分利用目標(biāo)信息和背景信息來(lái)分離出目標(biāo)和背景。本論文使用多任務(wù)學(xué)習(xí)方法來(lái)解決目標(biāo)狀態(tài)的稀疏問(wèn)題。首先,每一個(gè)候選狀態(tài)作為一個(gè)單獨(dú)的任務(wù),并在每個(gè)狀態(tài)內(nèi)依次分割為m個(gè)子塊。挖掘不同任務(wù)之間相應(yīng)子塊的關(guān)聯(lián)信息來(lái)獲得聯(lián)合稀疏表示,從而降低了計(jì)算代價(jià)。其次,針對(duì)生成式模型和判別式模型,我們分別定義了兩種似然度量準(zhǔn)則。生成式模型的似然準(zhǔn)則考慮了目標(biāo)的局部信息；而判別式模型的似然準(zhǔn)則考慮了目標(biāo)的整體信息。在跟蹤過(guò)程中,兩個(gè)跟蹤模型分別預(yù)測(cè)目標(biāo)位置,并且使用一個(gè)跟蹤器的結(jié)果來(lái)更新另一個(gè)跟蹤器的表觀模板,這種更新機(jī)制避免了單個(gè)跟蹤模型的自學(xué)習(xí)問(wèn)題。另外,采用Metropolis-Hastings采樣方法對(duì)字典進(jìn)行更新。最后,在挑戰(zhàn)性的視頻序列上分析了我們提出的跟蹤算法性能,該算法優(yōu)于其他主流的跟蹤算法。5)提出了一種基于顯著性檢測(cè)的多目標(biāo)跟蹤算法。稀疏表示技術(shù)由于能夠很好地處理噪聲的干擾而被用于目標(biāo)跟蹤。同時(shí),稀疏表示方法對(duì)多個(gè)類別的分類也取得了好的效果。本文將這一技術(shù)擴(kuò)展到跟蹤多個(gè)目標(biāo)。首先離線學(xué)習(xí)顯著性檢測(cè)器,再用該檢測(cè)器檢測(cè)每一幀圖像中的目標(biāo)。最大的稀疏系數(shù)所對(duì)應(yīng)的字典原子與目標(biāo)最相似。因此,利用最大稀疏系數(shù)的子字典索引找到目標(biāo)的匹配。其次,我們提出用隨機(jī)梯度下降方法在線更新字典,并考慮把顯著性檢測(cè)器的字典作為初始字典。將每段視頻的前10幀用于訓(xùn)練表觀模型,找到字典中的每個(gè)原子表示場(chǎng)景中的哪一個(gè)目標(biāo)。字典中不僅包括有目標(biāo)模板,還有背景信息。另外,目標(biāo)的局部信息和目標(biāo)與目標(biāo)之間的相對(duì)位置,以及匹配的特征點(diǎn)與目標(biāo)之間的相對(duì)位置也被用來(lái)處理目標(biāo)的遮擋和跟蹤難以分辨的目標(biāo)。實(shí)驗(yàn)結(jié)果表明,基于稀疏表示的方法能夠降低目標(biāo)錯(cuò)誤匹配的數(shù)目,跟蹤的性能在一定程度上得到了提高。
【關(guān)鍵詞】：目標(biāo)跟蹤 在線學(xué)習(xí) 稀疏表示 表觀模型 模板更新
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-13
• 縮略詞注釋表13-15
• 第一章 緒論15-39
• 1.1 研究背景和意義15-16
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀16-17
• 1.3 目標(biāo)跟蹤算法的分類及面臨的挑戰(zhàn)17-21
• 1.3.1 目標(biāo)跟蹤算法的分類17-20
• 1.3.2 目標(biāo)跟蹤面臨的挑戰(zhàn)20-21
• 1.4 當(dāng)前主流目標(biāo)跟蹤算法綜述21-32
• 1.4.1 基于粒子濾波的目標(biāo)跟蹤22-23
• 1.4.2 基于均值移動(dòng)的目標(biāo)跟蹤23-24
• 1.4.3 基于片段的目標(biāo)跟蹤24-25
• 1.4.4 基于子空間的目標(biāo)跟蹤25-27
• 1.4.5 基于稀疏表示的目標(biāo)跟蹤27-29
• 1.4.6 基于判別式模型的目標(biāo)跟蹤29-30
• 1.4.7 基于檢測(cè)的跟蹤方法30-32
• 1.5 目標(biāo)跟蹤算法性能的評(píng)價(jià)準(zhǔn)則32-35
• 1.5.1 單目標(biāo)跟蹤算法的評(píng)價(jià)準(zhǔn)則32-34
• 1.5.2 多目標(biāo)跟蹤算法的評(píng)價(jià)準(zhǔn)則34-35
• 1.6 本文算法評(píng)測(cè)數(shù)據(jù)庫(kù)介紹35-36
• 1.7 論文的主要工作36-37
• 1.8 論文的結(jié)構(gòu)安排37-39
• 第二章 基于粒子群優(yōu)化的目標(biāo)跟蹤算法39-59
• 2.1 引言39-40
• 2.2 粒子群優(yōu)化算法40-41
• 2.3 SIFT特征描述子41-43
• 2.4 基于PSO的目標(biāo)跟蹤算法43-48
• 2.4.1 目標(biāo)運(yùn)動(dòng)模型44
• 2.4.2 目標(biāo)表觀模型44-46
• 2.4.3 表觀模型更新46-48
• 2.5 實(shí)驗(yàn)結(jié)果與分析48-56
• 2.5.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置48
• 2.5.2 定性分析48-50
• 2.5.3 定量分析50-52
• 2.5.4 擴(kuò)展到對(duì)多個(gè)目標(biāo)的跟蹤52-55
• 2.5.5 計(jì)算代價(jià)55-56
• 2.6 本章小結(jié)56-59
• 第三章 等級(jí)關(guān)聯(lián)的粒子群迭代多目標(biāo)檢測(cè)跟蹤59-71
• 3.1 引言59-60
• 3.2 Metropolis-Hastings采樣60-61
• 3.3 問(wèn)題的描述61-62
• 3.4 等級(jí)關(guān)聯(lián)的粒子群迭代多目標(biāo)檢測(cè)跟蹤算法62-66
• 3.4.1 等級(jí)關(guān)聯(lián)結(jié)構(gòu)62-65
• 3.4.1.1 粗匹配階段63-64
• 3.4.1.2 精確定位階段64-65
• 3.4.2 漏檢目標(biāo)和遮擋目標(biāo)的處理65-66
• 3.5 實(shí)驗(yàn)結(jié)果與分析66-69
• 3.5.1 實(shí)驗(yàn)環(huán)境的建立及算法的評(píng)價(jià)準(zhǔn)則66
• 3.5.2 實(shí)驗(yàn)結(jié)果及分析66-68
• 3.5.2.1 遮擋環(huán)境下目標(biāo)數(shù)目固定的跟蹤結(jié)果66-67
• 3.5.2.2 復(fù)雜環(huán)境下目標(biāo)數(shù)目變化的跟蹤結(jié)果67-68
• 3.5.3 不同算法跟蹤性能的比較68-69
• 3.6 本章小結(jié)69-71
• 第四章 基于超像素的在線跟蹤71-93
• 4.1 引言71-72
• 4.2 L1范數(shù)跟蹤及其存在的問(wèn)題72-73
• 4.3 超像素73
• 4.4 基于超像素的L1跟蹤73-78
• 4.4.1 初始字典的生成74-75
• 4.4.2 SPL1算法實(shí)現(xiàn)75-76
• 4.4.3 字典的在線更新76
• 4.4.4 SPL1算法步驟及流程76-78
• 4.5 基于超像素的加權(quán)多示例學(xué)習(xí)跟蹤78-83
• 4.5.1 系統(tǒng)流程78-79
• 4.5.2 基于超像素的表觀模型79
• 4.5.3 在線的加權(quán)多示例學(xué)習(xí)79-81
• 4.5.4 目標(biāo)漂移的糾正81-82
• 4.5.5 表觀模型更新82-83
• 4.6 實(shí)驗(yàn)結(jié)果與分析83-91
• 4.6.1 定性結(jié)果分析84-86
• 4.6.2 定量結(jié)果分析86-89
• 4.6.3 Haar-like特征的高效性89-90
• 4.6.4 計(jì)算代價(jià)分析90-91
• 4.7 本章小結(jié)91-93
• 第五章 多任務(wù)學(xué)習(xí)的協(xié)同跟蹤算法93-111
• 5.1 引言93-94
• 5.2 粒子濾波框架94-95
• 5.3 GDMTT跟蹤算法95-102
• 5.3.1 結(jié)構(gòu)性信息的多任務(wù)稀疏表示95-96
• 5.3.2 初始字典的生成96-97
• 5.3.3 基于生成式模型的多任務(wù)稀疏表示97
• 5.3.4 基于判別式模型的多任務(wù)稀疏表示97-98
• 5.3.5 協(xié)同定位目標(biāo)98-99
• 5.3.6 兩種跟蹤器之間的協(xié)同關(guān)系99
• 5.3.7 表觀模型更新99-101
• 5.3.8 GDMTT算法總結(jié)101-102
• 5.4 實(shí)驗(yàn)結(jié)果與分析102-109
• 5.4.1 實(shí)驗(yàn)參數(shù)的設(shè)置102
• 5.4.2 定量分析102-105
• 5.4.3 定性分析105-108
• 5.4.4 GDMTT算法的計(jì)算代價(jià)108-109
• 5.5 本章小結(jié)109-111
• 第六章 基于顯著性檢測(cè)的多目標(biāo)跟蹤算法111-125
• 6.1 引言111-112
• 6.2 顯著性檢測(cè)器112-113
• 6.3 基于顯著性檢測(cè)的稀疏跟蹤算法113-118
• 6.3.1 目標(biāo)表觀模型的表示114
• 6.3.2 不同幀間的目標(biāo)匹配114-115
• 6.3.3 在線的字典更新115-117
• 6.3.4 目標(biāo)遮擋和背景干擾的處理117-118
• 6.4 實(shí)驗(yàn)結(jié)果與分析118-124
• 6.4.1 實(shí)驗(yàn)環(huán)境的建立118-119
• 6.4.2 定性和定量分析119-123
• 6.4.3 計(jì)算速度123-124
• 6.5 本章小結(jié)124-125
• 第七章 總結(jié)與展望125-129
• 7.1 論文工作總結(jié)125-126
• 7.2 后續(xù)工作展望126-129
• 致謝129-131
• 參考文獻(xiàn)131-145
• 攻讀博士學(xué)位期間參加的科研項(xiàng)目和完成的論文145-147

，

本文編號(hào)：783934