基于外观模型与运动估计联合建模的在线目标跟踪

发布时间:2021-08-12 11:11
  目标跟踪作为计算机视觉与模式识别中的一个重要研究方向,近年来一直备受关注。其中,由于在线跟踪存在目标及场景先验知识缺乏,物体及环境变化不可预测等诸多挑战,因此,与离线跟踪相比,在线跟踪的研究对建模方法的适应性和学习策略方面有着更高的要求,从而也成为该研究方向中最具挑战性的难点问题之一。针对上述问题,本论文从分析在线目标跟踪的帧内目标表示和帧间运动变化等特点入手,开展了基于运动目标外观模型与运动估计联合建模的在线跟踪研究。通过构造精确的目标表示模型及灵活的目标运动约束,提高在线学习模型的适应性,并结合鲁棒的模型更新机制,实现复杂环境中精确而鲁棒的目标跟踪,最后通过优化学习策略进一步提高了跟踪方法的实时性。针对非刚体目标形状不规则,传统矩形框表示方式不准确的问题,本文研究了更为普适的基于不规则区域的目标跟踪,提出了基于目标外观与运动流分割的非刚体目标跟踪算法。通过将运动估计引入到在线目标分割的过程中,实现了更为精确的目标表示,有效解决了目前制约任意形状物体在线跟踪的关键问题,并且获得了较好的跟踪结果。然而,由于实际环境的复杂性和多样性,当目标区域颜色分布不均匀或目标与背景相似度较高时,很难分割出精确的目标区域,从而影响了跟踪器的性能。因此,如何提升跟踪模型的普适性成为论文研究的下一个目标。通过对在线分类器样本标签分布特性的进一步分析发现,利用标记样本和未标记样本分布的关联性可以极大提升在线分类器的性能。本文充分利用样本标签空间分布特性以及帧间的运动估计,提出了基于空间约束与运动估计的改进直推式学习跟踪算法,简化了传统直推式学习的样本聚类过程的计算成本,有效地提升了分类器学习的效率。而模型中的选择性目标预测机制和基于预算缓冲的模型更新策略也使得分类器学习更加鲁棒,有效克服了目标在具有相似纹理场景中的目标位置估计问题。该算法在不同的应用环境下获得了较为准确的跟踪效果,在线学习效率也得到一定的提升,然而更为精确且实时的在线目标跟踪还需进一步研究。为了得到准确且实时的跟踪算法,本文重点研究如何在保证跟踪器精确性的前提下提升在线目标跟踪实时性。针对快速的目标预测及精确的目标定位问题,本文综合利用外观模型鲁棒性高及运动估计精确度高的优点,提出了基于外观模型与运动估计的高阶正则化融合跟踪算法。通过构造具有循环结构的核函数作为外观正则项,快速预测目标的初始位置。再利用运动正则项进行自适应的目标大小尺度估计以及快速运动的处理。最后,采用高阶正则化的融合学习的方式实现了更为准确和鲁棒的跟踪器,并且达到了实时的跟踪速度。通过与多个当前国际主流跟踪方法在标准测试数据上的比较,充分证明了本文研究成果的先进性和有效性。
【学位授予单位】:西北工业大学
【学位级别】:博士
【学位授予年份】:2016
【分类号】:TP391.41
文章目录
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 目标表示模型
        1.2.2 目标预测机制
        1.2.3 模型更新机制
        1.2.4 多跟踪模型融合
    1.3 研究内容及创新点
        1.3.1 在线目标跟踪框架总结及分析
        1.3.2 基于目标外观与运动流分割的非刚体目标跟踪
        1.3.3 基于空间约束与运动估计的改进直推式学习跟踪
        1.3.4 基于外观模型与运动估计的高阶正则化融合跟踪
    1.4 论文内容安排
第2章 基于目标外观与运动流分割的非刚体目标跟踪
    2.1 引言
    2.2 基于在线Hough Forests的目标跟踪
    2.3 基于在线Hough Forests与运动流分割的目标跟踪
        2.3.1 基于运动流的目标分割模型
        2.3.2 基于在线Hough Forests与运动流分割的跟踪框架
    2.4 实验结果及分析
        2.4.1 实验设置
        2.4.2 定量评价及分析
        2.4.3 定性评价及分析
    2.5 本章小节
第3章 基于空间约束与运动估计的改进直推式学习跟踪
    3.1 引言
    3.2 基于空间约束与运动估计的改进TSVM学习算法
        3.2.1 传统的TSVM学习算法
        3.2.2 改进的TSVM学习算法
    3.3 基于空间约束与运动估计的改进TSVM跟踪算法
        3.3.1 基于空间约束与运动估计的改进TSVM跟踪框架
        3.3.2 外观模型
        3.3.3 运动模型
        3.3.4 选择性目标预测机制
        3.3.5 基于预算缓冲的模型更新机制
    3.4 实验结果及分析
        3.4.1 实验设置
        3.4.2 定量评价及分析
        3.4.3 定性评价及分析
    3.5 本章小结
第4章 基于外观模型与运动估计的高阶正则化融合跟踪
    4.1 引言
    4.2 基于高阶正则化融合的半监督学习
        4.2.1 基于核函数目标预测的外观正则项
        4.2.2 基于图结构的运动估计正则项
    4.3 基于外观模型与运动估计的高阶正则化融合跟踪
        4.3.1 基于外观模型与运动估计的高阶正则化融合跟踪框架
        4.3.2 自适应的目标尺度估计
        4.3.3 快速运动目标定位
        4.3.4 快速的图像块相似度估计
    4.4 实验结果及分析
        4.4.1 实验设置
        4.4.2 定量评价及分析
        4.4.3 定性评价及分析
    4.5 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 未来工作展望
参考文献
附录
致谢
攻读博士学位期间发表的学术论文
攻读博士学位期间参加的科研项目

【相似文献】

相关期刊论文 前10条

1 宋永江,夏良正,杨世周;多直线全局运动估计及其在图像稳定中的应用[J];东南大学学报(自然科学版);2002年02期

2 杨军,王群生;一种新的快速块匹配运动估计搜索算法[J];电视技术;2004年04期

3 宋传鸣,王相海;小波域视频运动估计研究进展[J];计算机学报;2005年10期

4 宋传鸣;王相海;;一种新的小波域视频可分级运动估计方案[J];计算机学报;2006年12期

5 禹晶;苏开娜;;块运动估计的研究进展[J];中国图象图形学报;2007年12期

6 金涛;付宇卓;何卫锋;;一种可变块运动估计结构的优化设计[J];微型电脑应用;2008年02期

7 王莉莉;黄晓革;甘涛;;一种自适应十字—方形运动估计快速算法[J];计算机应用研究;2009年02期

8 王洪源;陈慕羿;;一种低功耗容错运动估计硬件结构[J];现代电子技术;2009年22期

9 谢式绚,杨文瑜;介绍动态图象中目标运动估计的两种方法[J];计算机工程;1987年01期

10 段成罡,顾钟秀,郑志航;用基因算法进行运动估计[J];上海交通大学学报;1996年12期

相关博士学位论文 前10条

1 卓涛;基于外观模型与运动估计联合建模的在线目标跟踪[D];西北工业大学;2016年

2 陈运必;高性能运动估计的架构设计与优化的研究[D];中国科学技术大学;2011年

3 纪中伟;先进的运动估计与运动补偿算法在数字视频处理中的应用[D];电子科技大学;2002年

4 王镇道;视频压缩的运动估计与小波方法研究[D];湖南大学;2008年

5 魏伟;视频压缩编码的运动估计与补偿技术[D];天津大学;2008年

6 许晓中;视频编码标准中运动估计技术研究[D];清华大学;2009年

7 于雪松;基于单目无标记点的人体3D运动估计关键技术的研究[D];哈尔滨工业大学;2009年

8 刘新春;面向MPEG-4的视频分割算法研究[D];中国科学院电子学研究所;2000年

9 朱向军;视频运动对象分割与先进运动估计/运动补偿算法之研究[D];浙江大学;2006年

10 向东;基于H.264框架的运动估计和变换研究[D];华中科技大学;2006年

相关硕士学位论文 前10条

1 徐情生;H.264整数运动估计快速算法的电路设计[D];东南大学;2015年

2 陈杰;面向RGBD的对象分割与运动估计技术研究[D];南京大学;2016年

3 郑吉君;高性能低功耗的运动估计阵列设计与实现[D];上海交通大学;2011年

4 赵彦发;基于边缘特征的运动估计方法研究[D];西安理工大学;2007年

5 金涛;全搜索运动估计结构的研究与设计[D];上海交通大学;2008年

6 杨沁仪;序列图像运动估计、目标检测及分层技术[D];电子科技大学;2004年

7 邹晓春;基于快速块匹配的图象序列运动估计技术研究[D];西北工业大学;2005年

8 吴庆伟;运动估计方法研究与序列图像的相关性分析[D];华中科技大学;2005年

9 潘健;基于冗余小波的多分辨率运动估计研究[D];苏州大学;2006年

10 白然施;视频压缩中的运动估计技术的研究[D];汕头大学;2003年



本文编号:2152886

资料下载
论文发表

本文链接:https://www.wllwen.com/shoufeilunwen/xxkjbs/2152886.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户8eff8***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com