目标跟踪中背景信息抑制与利用方法研究

发布时间：2022-01-12 20:08

　　视觉目标跟踪是计算机视觉的一个重要组成部分,被广泛应用于视频监控、人机交互、导航定位、军事和航天等领域。在计算机视觉领域,许多图像分析方法让机器接近达到了人类的水平,在此基础上,研究者们开始关注视频信息处理与分析。目标跟踪能够将视频数据结构化,并分析视频中信息的连续变化规律。目标跟踪的发展对视频领域的发展有推动作用。目标跟踪主要研究的是对未知场景未知目标,给定初始帧中目标状态,预测接下来每一帧中目标状态的理论和方法。跟踪场景和目标是多样的,且随时间变化,目标跟踪方法需要具备鲁棒性和自适应性,能用于各种复杂环境,能适应目标与环境随时间的变化。另外,为了实际应用目标跟踪方法,要求其具备实时性。目标跟踪过程中会遇到的主要挑战有光照变化、尺度变化、遮挡、形变、运动模糊、快速运动、内平面旋转、外平面旋转、出视场、背景干扰和低分辨率等。目标跟踪算法的流程一般包括运动模型、特征提取、观测模型和跟踪预测四个步骤。运动模型是预测目标在新一帧可能出现的位置,生成候选目标集。特征提取是提取目标及候选目标的特征,描述物体信息。观测模型是评估候选目标与目标的匹配程度。跟踪预测是用观测的结果预测目标状态。对于跟踪... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：144 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 视觉目标跟踪研究现状
        1.2.1 目标跟踪发展阶段
        1.2.2 产生式方法
        1.2.3 判别式方法
        1.2.4 基于深度学习的方法
        1.2.5 目标跟踪中背景信息的抑制和利用
        1.2.6 研究现状总结
    1.3 目标跟踪面临的挑战
        1.3.1 环境与目标的挑战
        1.3.2 背景信息抑制与利用的挑战
        1.3.3 跟踪环节中的挑战
    1.4 本文研究内容
    1.5 本文组织结构
第2章 目标与背景协同建模的长-短期运动模型
    2.1 引言
    2.2 相关工作介绍
    2.3 目标与背景协同建模的跟踪方法框架
        2.3.1 目标表示
        2.3.2 背景表示
        2.3.3 KCF更新
    2.4 短期运动模型和长期运动模型
        2.4.1 目标与背景协同建模的短期运动模型
        2.4.2 长期运动模型重检测
    2.5 实验结果与分析
        2.5.1 TBKCF特点实验与分析
        2.5.2 总体性能实验比较与分析
    2.6 本章小结
第3章 结构性优化卷积网络的目标与背景特征提取方法
    3.1 引言
    3.2 基于卷积神经网络的目标跟踪框架
    3.3 卷积神经网络结构优化方法
        3.3.1 通道选择的主成分分析降维方法
        3.3.2 卷积网络通道裁剪
        3.3.3 单样本权值重建
    3.4 多层网络结构优化的跟踪模型
    3.5 实验结果与分析
        3.5.1 实验环境设置
        3.5.2 结构性优化方法性能评估
        3.5.3 与先进方法比较
    3.6 本章小结
第4章 多层背景自适应相关滤波观测模型
    4.1 引言
    4.2 相关工作
    4.3 多层背景自适应相关滤波跟踪框架
    4.4 多层背景自适应观测模型
        4.4.1 上下文金字塔表示方法
        4.4.2 上下文自适应空间窗
        4.4.3 多层自适应目标跟踪方法
    4.5 实验结果与分析
        4.5.1 实验环境设置
        4.5.2 多层背景自适应相关滤波性能评估
        4.5.3 与先进方法比较
    4.6 本章小结
第5章 基于背景中辅助目标的跟踪预测方法
    5.1 引言
    5.2 目标跟踪模型与辅助目标跟踪模型
        5.2.1 目标跟踪模型
        5.2.2 基于辅助目标的目标跟踪模型
    5.3 基于辅助目标的目标跟踪方法
        5.3.1 辅助目标提取与跟踪
        5.3.2 用辅助目标对目标预测
        5.3.3 辅助目标与目标跟踪器的预测融合
        5.3.4 辅助目标参数更新
        5.3.5 基于辅助目标的目标跟踪算法
        5.3.6 计算复杂度分析
    5.4 实验结果与分析
        5.4.1 辅助目标跟踪方法特点实验与分析
        5.4.2 跟踪性能对比实验与分析
    5.5 本章小结
第6章 目标跟踪中背景信息抑制与利用方法分析
    6.1 引言
    6.2 总体跟踪性能比较
    6.3 目标跟踪中背景信息的抑制方法特点分析
    6.4 目标跟踪中背景信息的利用方法特点分析
    6.5 MCAT方法在校园视频监控中的应用
    6.6 本章小结
结论
参考文献
附录 A多层自适应目标跟踪公式推导
    A.1 式(4-11)的推导
攻读博士学位期间发表的论文及其他成果
致谢
个人简历


【参考文献】：
期刊论文
[1]融合颜色与时空上下文信息的实时目标跟踪算法[J]. 陈晓书,胡则熙,高月芳,田绪红.  小型微型计算机系统. 2017(03)
[2]基于高斯尺度空间的核相关滤波目标跟踪算法[J]. 谭舒昆,刘云鹏,李义翠.  计算机工程与应用. 2017(01)
[3]基于置信图特性的改进时空上下文目标跟踪[J]. 张雷,于凤芹.  计算机工程. 2016(08)
[4]分块核化相关滤波目标跟踪[J]. 段伟伟,杨学志,方帅,郑鑫,李国强.  计算机辅助设计与图形学学报. 2016(07)
[5]相关滤波目标跟踪算法研究[J]. 顾培婷,黄德天,柳培忠,黄炜钦,汪鸿翔.  海峡科学. 2016(07)
[6]深度学习在视频目标跟踪中的应用进展与展望[J]. 管皓,薛向阳,安志勇.  自动化学报. 2016(06)
[7]改进核相关滤波的运动目标跟踪算法[J]. 邢运龙,李艾华,崔智高,方浩.  红外与激光工程. 2016(S1)
[8]选择性搜索和多深度学习模型融合的目标跟踪[J]. 钟必能,潘胜男.  华侨大学学报(自然科学版). 2016(02)
[9]增量深度学习目标跟踪[J]. 程帅,孙俊喜,曹永刚,赵立荣.  光学精密工程. 2015(04)
[10]在线加权多示例学习实时目标跟踪[J]. 陈东成,朱明,高文,孙宏海,杨文波.  光学精密工程. 2014(06)



本文编号：3585383