基于多尺度多特征模板集和自适应动态模型的物体跟踪算法

发布时间：2017-05-13 08:15

  本文关键词：基于多尺度多特征模板集和自适应动态模型的物体跟踪算法，，由笔耕文化传播整理发布。

【摘要】：物体跟踪是计算机视觉领域的重要研究方向之一,其研究成果已被广泛应用于视频监控、人机交互和视频压缩编码等多个研究领域,具有重大研究价值。但由于物体跟踪算法在真实的跟踪场景中不可避免地会遇到环境光照变化、物体尺度变化、物体被遮挡和物体旋转等多种干扰因素,较难适应广泛的应用,如何提高跟踪算法的跟踪准确率和鲁棒性仍是该领域的难题之一。本文重点对跟踪领域中的物体表征模型和物体运动预估两方面进行了研究,分别提出了基于多尺度多特征模板集的跟踪算法和基于自适应动态模型的跟踪算法。在物体表征模型方面,本文首先提出了基于多尺度多特征模板集的跟踪算法。该算法使用一组三层四叉树结构的模板集来描述待跟踪物体,以综合利用物体的高层、中间层和底层的全部视觉信息。模板集中每一个模板均表示物体的一部分,对于每个模板所表示的区域,本算法均会对其提取多种视觉特征,从而得到物体的纹理信息、颜色信息、强度信息和边缘信息等视觉描述。本文还提出了一种基于信息映射原理的生成式学习算法,通过最大化目标物体的潜在概率分布与跟踪背景的概率分布的差异,以确定模板集中每个模板的模板权值以及其中不同特征的特征权值。实验结果表明,本文提出的多尺度多特征模板集表征模型在用于跟踪算法后,可以提高算法的跟踪准确率,同时在嘈杂背景、物体旋转和运动模糊等干扰因素下具有较高的鲁棒性。本算法的跟踪准确率在现有最全面的跟踪数据集上取得了最好值,比CVPR 2012中提出的多种跟踪算法有0.7至7.2个百分点的准确率提升。在物体运动预估方面,本文提出了基于自适应动态模型的跟踪算法。为提高跟踪算法运动预估环节的准确率和鲁棒性,本算法在一阶粒子滤波模型的基础上,引入了一阶动态预估模型的自适应退化算法,退化后的预估模型采用随机漫步模型。算法会根据一阶动态模型的预测准确率,自适应的确定模型的退化程度,以及两种预估模型的相关参数。其中模型的退化程度由一阶动态模型和随机漫步模型中各包含多少粒子来体现,而自适应改变的参数主要是两种系统中演化噪声的方差值。实验结果表明,本文提出的自适应动态模型在用于跟踪算法后,比传统的一阶动态模型具有更高的准确率和抗干扰能力。在将该运动预估模型和本文提出的多尺度多特征模板集物体表征模型进行结合后,可提高跟踪算法的跟踪准确率(比单纯的一阶动态模型提高6.6%),且相比金字塔查找算法具有更高的物体检测计算效率。
【关键词】：物体跟踪 物体表征模型 多尺度 多特征 自适应模型 粒子滤波
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要5-7
• ABSTRACT7-15
• 第一章 绪论15-21
• 1.1 研究目的和意义15-16
• 1.2 物体跟踪技术研究现状16-19
• 1.2.1 现有跟踪算法中的物体表征方法17-18
• 1.2.2 现有跟踪算法中的运动预估方法18-19
• 1.3 本文研究内容19-21
• 第二章 物体跟踪技术基础21-37
• 2.1 基于混合模板的物体跟踪算法21-25
• 2.1.1 算法背景和研究动机21-22
• 2.1.2 基于混合模板跟踪算法的核心思想22-23
• 2.1.3 基于混合模板的跟踪算法流程23-25
• 2.1.4 对基于混合模板跟踪算法的讨论25
• 2.2 基于压缩感知的跟踪算法25-28
• 2.2.1 压缩感知算法简介25-26
• 2.2.2 压缩感知算法在物体跟踪领域的应用26-27
• 2.2.3 对基于压缩感知的跟踪算法的讨论27-28
• 2.3 基于粒子滤波的跟踪算法28-35
• 2.3.1 粒子滤波算法理论基础28-33
• 2.3.2 粒子滤波算法在物体跟踪领域的应用33-34
• 2.3.3 对基于粒子滤波的跟踪算法的讨论34-35
• 2.4 现有跟踪算法的对比35-36
• 2.5 本章小结36-37
• 第三章 基于多尺度多特征模板集的物体跟踪算法37-75
• 3.1 算法核心思想37-39
• 3.2 算法原理39-44
• 3.2.1 算法整体流程39-40
• 3.2.2 学习物体表征模型40-42
• 3.2.3 物体检测流程42-44
• 3.3 算法实现44-63
• 3.3.1 系统初始化44-45
• 3.3.2 模板集生成45-47
• 3.3.3 正负样本选取47-48
• 3.3.4 特征提取算法48-56
• 3.3.5 模板原型生成56
• 3.3.6 特征匹配56-57
• 3.3.7 模板参数训练算法57-61
• 3.3.8 物体检测算法61-62
• 3.3.9 模板更新算法62-63
• 3.4 实验结果及分析63-74
• 3.4.1 实验参数与环境63
• 3.4.2 实验数据集及评判标准63-64
• 3.4.3 实验结果分析64-66
• 3.4.4 不同干扰因素下的实验结果分析66-74
• 3.5 本章小结74-75
• 第四章 基于自适应动态模型的跟踪算法75-95
• 4.1 算法核心思想75-76
• 4.2 算法原理76-78
• 4.3 算法实现78-85
• 4.3.1 系统初始化及输入78-79
• 4.3.2 粒子更新79-83
• 4.3.3 粒子打分与权值计算83-84
• 4.3.4 物体判定84-85
• 4.3.5 预测效果判定85
• 4.3.6 粒子重采样85
• 4.4 实验结果及分析85-93
• 4.4.1 实验参数与环境85-86
• 4.4.2 实验结果分析86-88
• 4.4.3 不同干扰因素下的实验结果分析88-93
• 4.5 本章小结93-95
• 第五章 总结与展望95-98
• 5.1 全文工作总结95-97
• 5.2 未来工作展望97-98
• 参考文献98-107
• 致谢107-108
• 攻读学位期间发表的学术论文108

【相似文献】

中国期刊全文数据库 前10条

1 欧光军,邵祖峰,张子刚;基于知识创造的产品创新动态模型及管理机制研究[J];科学管理研究;2005年03期

2 言茂松;透平动态模型的误差评价及其校正方法的分析[J];清华大学学报(自然科学版);1964年03期

3 周波,涂植英;换热器动态模型的辨识[J];数据采集与处理;1989年01期

4 罗高荣;;电力系统投资决策动态模型的研究[J];自动化学报;1991年01期

5 周懋选，邢军;利用计算机技术实现灰色动态模型对保险企业的预测[J];中国金融电脑;1995年03期

6 袁爱清;;幸福感视野下观影养心的相关理论及动态模型探析[J];东南传播;2014年04期

7 江韬;;一种线性动态模型参数估计方法[J];自动化学报;1989年01期

8 焦国全;;用液电效应建立系统传递函数的方法[J];自动化学报;1984年04期

9 王水,蒋清华;生产决策系统的动态模型及性能控制[J];信息与控制;1991年01期

10 唐俊,罗云峰,陈s

本文编号：362027