复杂动态场景下在线视觉目标跟踪算法研究

发布时间：2017-10-22 01:28

  本文关键词：复杂动态场景下在线视觉目标跟踪算法研究

  更多相关文章： 在线视觉跟踪 贝叶斯滤波 稀疏表示 均值漂移 霍夫投票

【摘要】：目标跟踪是计算机视觉领域的重要内容和研究热点之一,在视频监控、智能交通、机器人导航、智能车辆驾驶辅助和人机交互等领域有着广泛的应用。尽管在过去几十年里在线目标跟踪技术的研究已经取得了很大的进展,但是在复杂动态场景下,由于被跟踪目标会发生更多不受控的表观和运动变化,因此设计一个鲁棒、稳定和精确的在线跟踪算法仍然是一个富有挑战性的课题。本文围绕着复杂动态场景下的视频目标跟踪问题开展研究工作,主要研究内容和成果包括以下几个方面：首先,针对复杂动态场景下使用固定的特征或特征组合无法对待跟踪目标的表观变化进行准确描述的问题,提出一种基于特征自适应选择的鲁棒跟踪算法,该算法可以根据目标和背景的变化情况自适应地选择可区分性好的特征来描述目标。此外,分别针对在线AdaBoost算法的候选特征池特征鲁棒性差以及分类器在更新过程中容易受到错误样本影响的问题进行了研究,提出了基于颜色与金字塔梯度方向直方图特征相结合的特征池构造方式,并对每帧图像获得的跟踪结果进行遮挡检测以避免漂移现象的发生。实验结果表明,当目标受到光照变化、尺度缩放、部分遮挡、杂乱背景干扰以及姿态变化等情况影响时,与其它算法相比本文算法具有更好的鲁棒性和准确性。其次,针对传统的均值漂移跟踪算法中目标表观模型单一且缺乏必要的更新策略的问题,提出了一种基于多表观模型的多尺度均值漂移跟踪算法。该算法利用稀疏主成分分析技术从特征模板集中获取关于目标的多个表观模型,并分别以每个模型为参考模板在多尺度下并行运行均值漂移算法。此外,针对梯度直方图特征在均值漂移跟踪框架下容易陷入局部极值的问题进行了研究,并引入广义梯度矢量流特征来描述目标的形状信息。通过与其它跟踪算法的对比实验表明,本文算法在应对姿态变化、杂乱背景干扰以及快速运动等有挑战性的情况时都具有很好的稳定性和鲁棒性。再次,针对复杂动态场景下目标跟踪过程中可能出现的形变、运动和遮挡等问题,分别构建了基于超像素局部信息的判别式模型和基于颜色与梯度全局信息的产生式模型,通过两者的结合提升了对目标表观特征描述的可区分性和不变性。此外,提出一种基于样本二次判别的字典更新策略,从而可以避免使用错误的样本去更新字典。对比实验表明,本文算法在目标发生姿态变化、部分遮挡、以及背景干扰等情况时都能获得很好的跟踪结果。最后,针对基于稀疏表示的目标跟踪算法在跟踪过程中只考虑到目标的表观特征,却忽略了目标内部的空间关系的问题,提出一种基于局部特征霍夫投票的鲁棒跟踪算法。该算法在广义霍夫变换框架下,分别针对如何建立投票小块与码本中向量的匹配关系,以及如何为每个投票小块分配权重的问题进行了研究。前者通过稀疏表示理论来解决,后者依据投票小块在图像上的类别分布显著性和码本中与其有匹配关系的向量的投票显著性建立投票权重。实验结果表明,与其它算法相比本文算法在应对光照变化、运动模糊、快速运动、以及杂乱背景干扰等情况时具有更好的稳定性和鲁棒性。综上所述,本文针对复杂动态场景下的在线视觉目标跟踪研究中遇到的各种表观和运动变化,提出了四种鲁棒的目标跟踪算法,并通过实验验证了新算法的鲁棒性和精确性。
【关键词】：在线视觉跟踪 贝叶斯滤波 稀疏表示 均值漂移 霍夫投票
【学位授予单位】：东北大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要5-7
• Abstract7-13
• 第1章 绪论13-21
• 1.1 论文研究的背景和意义13-14
• 1.2 国内外研究现状14-16
• 1.3 复杂动态场景下在线视觉目标跟踪研究面临的挑战16-18
• 1.4 本文组织结构和章节安排18-21
• 第2章 目标跟踪基础概述21-33
• 2.1 目标跟踪技术的基本框架及分类21-24
• 2.2 目标跟踪相关技术24-29
• 2.2.1 均值漂移技术24-26
• 2.2.2 递归贝叶斯滤波技术26-28
• 2.2.3 稀疏表示理论28-29
• 2.3 在线视频跟踪的评估准则29-30
• 2.4 本文算法采用数据库的介绍30-33
• 第3章 基于特征自适应选择的鲁棒跟踪算法33-53
• 3.1 引言33-34
• 3.2 特征池的构造34-37
• 3.2.1 颜色特征35
• 3.2.2 金字塔梯度方向直方图特征35-37
• 3.3 基于特征自适应选择的在线视频跟踪研究37-44
• 3.3.1 基于仿射变换参数的运动模型的设计38-39
• 3.3.2 候选样本的生成39-40
• 3.3.3 基于在线Boosting的观测模型的设计40-42
• 3.3.4 遮挡检测以及样本集在线更新策略42-44
• 3.4 实验结果及分析44-51
• 3.4.1 定性比较结果44-49
• 3.4.2 定量比较结果49-51
• 3.4.3 算法的复杂度分析51
• 3.5 本章小节51-53
• 第4章 基于多表观模型的鲁棒均值漂移跟踪算法53-75
• 4.1 引言53-54
• 4.2 基于广义梯度矢量流的均值漂移跟踪算法54-61
• 4.2.1 目标的表示与定位54-57
• 4.2.2 广义梯度矢量流特征57-59
• 4.2.3 基于广义梯度矢量场的在线视频跟踪研究59-61
• 4.3 基于多表观模型的均值漂移算法61-66
• 4.3.1 基于稀疏主成分分析的多表观模型的建立62-65
• 4.3.2 基于多表观模型的目标定位65-66
• 4.4 实验结果及分析66-73
• 4.4.1 定性比较结果66-71
• 4.4.2 定量比较结果71-73
• 4.5 本章小结73-75
• 第5章 基于稀疏表达的超像素跟踪算法75-99
• 5.1 引言75-77
• 5.2 联合模型的建立77-78
• 5.3 基于局部信息的判别式模型78-86
• 5.3.1 SLIC超像素分割技术78-80
• 5.3.2 基于超像素信息的字典建立80-82
• 5.3.3 基于加权平均风险的判别式模型的建立82-86
• 5.4 基于全局信息的产生式模型86-88
• 5.5 字典更新策略的设计88-90
• 5.6 实验结果与分析90-97
• 5.6.1 定性比较结果90-95
• 5.6.2 定量比较结果95-97
• 5.7 本章小节97-99
• 第6章 基于局部特征霍夫投票的在线目标跟踪算法99-115
• 6.1 引言99-101
• 6.2 基于加权霍夫投票的目标跟踪算法101-107
• 6.2.1 基于稀疏表示的加权霍夫投票101-104
• 6.2.2 显著性权重的计算和更新104-107
• 6.3 码本的更新107-108
• 6.4 实验结果与分析108-114
• 6.4.1 定性比较结果108-112
• 6.4.2 定量比较结果112-114
• 6.5 本章小节114-115
• 第7章 总结与展望115-117
• 7.1 总结115-116
• 7.2 展望116-117
• 参考文献117-131
• 致谢131-133
• 攻读博士期间发表的论文133-135
• 作者简介135

【相似文献】

中国期刊全文数据库 前10条

1 刘华平;李建民;胡晓林;孙富春;;动态场景下的交通标识检测与识别研究进展[J];中国图象图形学报;2013年05期

2 施家栋;王建中;;动态场景中运动目标检测与跟踪[J];北京理工大学学报;2009年10期

3 王斌;肖文华;张茂军;熊志辉;刘煜;;采用时空条件信息的动态场景运动目标检测[J];计算机辅助设计与图形学学报;2012年12期

4 刘雁翎,诸昌钤;一种适合处理动态场景的交互树[J];计算机应用;2001年11期

5 崔晟,张英远,刘劲松;基于图像数据库的动态场景生成系统[J];红外与激光工程;2002年01期

6 衡浩;熊惠霖;;复杂动态场景下基于道路平面提取的行人检测[J];计算机仿真;2013年09期

7 于明;孙炜烨;阎刚;于洋;;动态场景下基于精确背景补偿的运动目标检测[J];计算机应用与软件;2013年10期

8 王仲辉,蒋平,吴钦章;实时动态场景生成[J];光电工程;2004年04期

9 阎光伟;;地形环境下的动态场景绘制[J];华北电力大学学报;2006年04期

10 胡维和;曾巧明;;一个高效的动态场景算法[J];计算机与现代化;2009年01期

中国重要会议论文全文数据库 前1条

1 徐玮;张茂军;吴玲达;王炜;;基于图象的动态场景绘制技术[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

中国博士学位论文全文数据库 前5条

1 齐苑辰;复杂动态场景下在线视觉目标跟踪算法研究[D];东北大学;2015年

2 钟必能;复杂动态场景中运动目标检测与跟踪算法研究[D];哈尔滨工业大学;2010年

3 许丽;动态场景的三维信息获取相关技术研究[D];上海大学;2009年

4 潘明皓;动态场景的真实感图形交互绘制技术[D];浙江大学;2010年

5 曾鹏鑫;动态场景下多运动目标检测及跟踪方法研究[D];东北大学;2005年

中国硕士学位论文全文数据库 前10条

1 刘朝兵;基于改进Camshift的动态场景运动目标跟踪算法研究[D];西南大学;2015年

2 蒙春城;高速动态场景生成系统研制[D];哈尔滨工业大学;2015年

3 谭伟;动态场景下的基于单目摄像头的鲁棒同时定位与建图[D];浙江大学;2015年

4 张敬献;动态场景中的视觉目标识别方法研究[D];电子科技大学;2014年

5 姜涛;室外动态场景中的人脸识别[D];电子科技大学;2015年

6 丁伙健;自然动态场景的运动类型分析[D];苏州大学;2015年

7 俞力;动态场景下的车辆检测和跟踪方法研究[D];东南大学;2015年

8 郑少林;基于DMD的微光动态场景生成系统关键技术研究[D];北京理工大学;2016年

9 李飞;动态场景下的移动人体视觉侦测算法研究[D];湖南大学;2015年

10 林卉;基于主题模型的动态场景分类[D];苏州大学;2014年

，

本文编号：1076166