基于显著性检测和压缩感知的视觉跟踪

发布时间：2017-07-16 08:05

  本文关键词：基于显著性检测和压缩感知的视觉跟踪

  更多相关文章： 视觉跟踪 视觉显著图 压缩感知 KL距离 学习速率

【摘要】：视觉跟踪作为计算机视觉领域的基础性研究热点,具有广泛的实际应用意义。但是现有的跟踪算法仍存在很多缺点,本文针对视觉跟踪存在的技术难点,做出了以下几方面的工作:首先,系统的阐述了不同跟踪算法和视觉注意模型的实现原理,并且分析了其优缺点。根据人类视觉认知机制建立计算机模型,并检测图像中的视觉显著区域。重点研究了频域算法实现,为后续视觉跟踪特征选择和跟踪的稳定性优化提供理论依据。其次,基于视觉显著原目标估计预测目标运动状态,采用视觉原目标描述真实目标的显著假设区域,结合目标中心附近区域的视觉显著值检测视觉显著原目标,建立图像视觉原目标与跟踪目标间的联合后验分布,根据吉布斯采样原理优化逼近此分布模型,最后根据MAP(最大后验概率)算法得到最优的目标中心位置估计。再次,针对传统均值漂移算法单一特征描述的不足,提出一种基于视觉显著性特征的自适应目标跟踪算法。该算法基于频域滤波原理检测目标视觉显著图,结合颜色特征和视觉显著性特征描述目标模型,并根据相似系数的大小自适应的调节转移向量融合权值,有效的克服了跟踪不稳定性和背景融合干扰,提高复杂背景下目标跟踪的准确性。最后,针对Real-time CT算法中弱分类器学习速率恒定,当目标快速运动或目标发生较大变化时,容易出现目标漂移甚至丢失的问题,提出一种自适应调节学习速率的目标跟踪算法。采用特征加权压缩感知随机稀疏矩阵提取目标特征,基于样本类条件分布的对称KL距离自适应确定弱分类器的学习速率,采用朴素贝叶斯分类器预测下一帧中目标中心位置。实验证明,该算法在目标快速运动和遮挡情况下,能够有效跟踪目标且鲁棒性较好。
【关键词】：视觉跟踪 视觉显著图 压缩感知 KL距离 学习速率
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-5
• abstract5-10
• 注释表10-11
• 缩略词11-12
• 第一章 绪论12-19
• 1.1 引言12
• 1.2 选题背景及意义12-14
• 1.3 视觉跟踪技术难题14-15
• 1.4 国内外研究现状15-17
• 1.5 本文的主要内容17-19
• 第二章 视觉跟踪算法与视觉显著检测模型19-28
• 2.1 引言19
• 2.2 视觉跟踪算法19-22
• 2.2.1 基于模型驱动的跟踪算法19-21
• 2.2.2 基于数据驱动的跟踪算法21-22
• 2.3 视觉注意模型介绍22-27
• 2.3.1 视觉认知模型22-24
• 2.3.2 判别注意模型24-25
• 2.3.3 频域模型25-27
• 2.4 本章小结27-28
• 第三章 基于视觉显著原目标的跟踪算法28-37
• 3.1 引言28
• 3.2 视觉显著性原始目标检测28-29
• 3.3 基于视觉显著原目标跟踪算法29-33
• 3.3.1 目标联合分布模型30-31
• 3.3.2 基于吉布斯采样的目标跟踪31-33
• 3.3.3 算法流程33
• 3.4 实验结果与分析33-36
• 3.5 本章小结36-37
• 第四章 基于视觉显著性特征的自适应目标跟踪37-48
• 4.1 引言37
• 4.2 图像底层颜色特征37-38
• 4.2.1 颜色特征37-38
• 4.2.2 颜色特征直方图38
• 4.3 视觉显著性特征38-41
• 4.3.1 视觉显著图检测39-40
• 4.3.2 视觉显著性特征40-41
• 4.4 基于视觉显著性特征的自适应目标跟踪41-43
• 4.4.1 视觉显著性特征融合算法41-42
• 4.4.2 跟踪算法流程42-43
• 4.5 实验结果与分析43-47
• 4.5.1 人脸视频序列跟踪实验43-45
• 4.5.2 飞机模型运动跟踪实验45-47
• 4.6 本章小结47-48
• 第五章 基于特征加权的自适应压缩感知目标跟踪48-63
• 5.1 引言48
• 5.2 基于检测的目标跟踪算法48-51
• 5.2.1 实时On-line Boosting算法介绍49-50
• 5.2.2 多示例学习算法介绍50-51
• 5.3 压缩感知理论原理51-52
• 5.3.1 信号的稀疏表示51-52
• 5.3.2 设计测量矩阵与信号重构52
• 5.4 基于特征加权的自适应压缩感知目标跟踪算法52-57
• 5.4.1 基于加权的压缩感知特征提取52-54
• 5.4.2 压缩感知目标跟踪算法54-55
• 5.4.3 弱分类器自适应学习55-56
• 5.4.4 跟踪算法流程56-57
• 5.5 实验结果与分析57-61
• 5.6 本章小结61-63
• 第六章 总结与展望63-66
• 6.1 本文总结63-64
• 6.2 不足之处与展望64-66
• 参考文献66-70
• 致谢70-71
• 在学期间的研究成果及发表的学术论文71

【相似文献】

中国期刊全文数据库 前10条

1 史卫民;王庆敏;刘秋红;陈勇;姚永杰;;视觉跟踪技术及其应用的研究进展[J];海军医学杂志;2014年01期

2 侯志强;韩崇昭;;视觉跟踪技术综述[J];自动化学报;2006年04期

3 王哲;;视觉跟踪 用眼睛使用的“鼠标”[J];电脑爱好者;2007年07期

4 张进;;视觉跟踪技术发展和难点问题的分析[J];信息技术与信息化;2008年06期

5 李谷全;陈忠泽;;视觉跟踪技术研究现状及其展望[J];计算机应用研究;2010年08期

6 刘铁根,蔡怀宇,张以谟,路登平,胡绳荪,张凤林;一种埋弧焊视觉跟踪系统(英文)[J];光电工程;1999年06期

7 李伟;吴瑰丽;王猛;;视觉跟踪算法的研究进展[J];石家庄铁路职业技术学院学报;2013年03期

8 刘洋;李玉山;张大朴;邱家涛;;基于动态目标建模的粒子滤波视觉跟踪算法[J];光子学报;2008年02期

9 张国亮;谢宗武;蒋再男;王捷;刘宏;;模糊化多视觉信息融合的视觉跟踪策略[J];西安交通大学学报;2009年08期

10 杨戈;刘宏;;视觉跟踪算法综述[J];智能系统学报;2010年02期

中国重要会议论文全文数据库 前2条

1 吕玉生;赵杰煜;;具有视觉跟踪的中英文语音动画系统[A];第十四届全国图象图形学学术会议论文集[C];2008年

2 李善青;贾云得;柳阳;;一种用于穿戴计算的指示手势视觉跟踪方法[A];第三届和谐人机环境联合学术会议（HHME2007）论文集[C];2007年

中国博士学位论文全文数据库 前9条

1 王法胜;复杂场景下的单目标视觉跟踪算法研究[D];大连海事大学;2014年

2 徐萧萧;基于特征学习与特征联想的视觉跟踪算法研究[D];中国科学技术大学;2010年

3 王其聪;复杂观测条件下的基于粒子滤波的视觉跟踪[D];浙江大学;2007年

4 夏瑜;视觉跟踪新方法及其应用研究[D];江南大学;2013年

5 王芳林;稳健视觉跟踪算法中的关键问题研究[D];上海交通大学;2009年

6 温静;基于张量子空间学习的视觉跟踪方法研究[D];西安电子科技大学;2010年

7 苏洁;光照变化下的视觉跟踪算法研究[D];哈尔滨工程大学;2010年

8 王栋;基于线性表示模型的在线视觉跟踪算法研究[D];大连理工大学;2013年

9 代江华;粒子滤波架构下视觉目标跟踪相关技术研究[D];华中科技大学;2014年

中国硕士学位论文全文数据库 前10条

1 郭标;焊缝视觉跟踪系统设计[D];西南交通大学;2015年

2 张瑞;基于贝叶斯估计的视觉跟踪算法研究[D];福建师范大学;2015年

3 祝宝龙;基于视觉跟踪技术的眼控鼠标研究[D];哈尔滨工业大学;2015年

4 刘养彪;运动模糊下的视觉跟踪算法研究[D];北京理工大学;2015年

5 向秀娟;基于视觉跟踪的移动机器人定位研究[D];新疆大学;2015年

6 张劲;基于在线隐变量支持向量机的尺度自适应视觉跟踪[D];西安电子科技大学;2014年

7 范曲;复杂场景下运动目标的视觉跟踪方法研究[D];重庆大学;2015年

8 孟凡帅;面向物料输送过程状态监控与故障报警的视觉跟踪技术的研究[D];河北工业大学;2015年

9 张欣;基于粒子滤波的视觉跟踪算法的FPGA实现[D];北京理工大学;2016年

10 黄梁华;基于张量表达的视觉跟踪算法研究[D];北京理工大学;2016年

，

本文编号：547687