發(fā)布時(shí)間：2018-07-05 07:44

  本文選題：視覺(jué)目標(biāo)跟蹤 + 目標(biāo)外觀模型��； 參考：《華中科技大學(xué)》2016年博士論文

【摘要】：視覺(jué)目標(biāo)跟蹤(Visual object tracking, VOT)技術(shù)是計(jì)算機(jī)視覺(jué)的一個(gè)基礎(chǔ)和關(guān)鍵的研究方向,近年來(lái)一直是學(xué)術(shù)界和產(chǎn)業(yè)界關(guān)注的熱點(diǎn)之一。盡管近年來(lái)國(guó)內(nèi)外研究者在目標(biāo)跟蹤上取得顯著的進(jìn)步,但是如光照變化、形變、遮擋等復(fù)雜目標(biāo)外觀變化的干擾以及跟蹤器難以從跟蹤失敗中恢復(fù)的難題,使得現(xiàn)有跟蹤算法很難實(shí)現(xiàn)目標(biāo)長(zhǎng)時(shí)持續(xù)跟蹤。此外,目標(biāo)發(fā)現(xiàn)階段運(yùn)動(dòng)陰影檢測(cè)算法的效率也會(huì)影響視頻監(jiān)控應(yīng)用中跟蹤器初始化的精度,引發(fā)跟蹤失敗。本文針對(duì)這些問(wèn)題開展了以下研究：首先,為提升跟蹤算法應(yīng)對(duì)目標(biāo)復(fù)雜劇烈外觀變化的能力,本文研究了一種準(zhǔn)確、魯棒的基于DeepBoost集成學(xué)習(xí)方法的跟蹤算法(DeepBoost-Tracker, DBT) .該跟蹤算法采用了一種靈活、限制復(fù)雜度的目標(biāo)外觀模型,可實(shí)現(xiàn)高效處理目標(biāo)復(fù)雜劇烈外觀變化。該算法提出了一種聯(lián)合局部全局特征的視覺(jué)表達(dá)方法以結(jié)合局部和全局視覺(jué)表達(dá)的優(yōu)勢(shì)。該視覺(jué)表達(dá)方法使用稀疏隨機(jī)投影技術(shù)將目標(biāo)主要的局部和全局空間結(jié)構(gòu)信息靈活地嵌入具有多復(fù)雜度分類器成員的候選分類器集中。此外,為了避免在線學(xué)習(xí)模型過(guò)擬合,本文跟蹤算法采用了一種高效的在線DeepBoost學(xué)習(xí)方法,利用其限制復(fù)雜度的特性來(lái)產(chǎn)生一個(gè)不易過(guò)擬合的自適應(yīng)魯棒跟蹤器。實(shí)驗(yàn)表明,該算法的表現(xiàn)明顯優(yōu)于一般的Boosting集成跟蹤算法,并取得了高精確度的跟蹤結(jié)果。其次,為了在保持Boosting類型跟蹤器較強(qiáng)自適應(yīng)能力的同時(shí)增強(qiáng)跟蹤器從跟蹤失敗中恢復(fù)和重啟的能力,本文研究了一種歧義性正則化的多時(shí)段自適應(yīng)跟蹤框架,該算法框架使得跟蹤系統(tǒng)可以從跟蹤失敗中恢復(fù)和重啟。為了描述在跟蹤過(guò)程中目標(biāo)的主要外觀變化,本文算法將DBT作為基礎(chǔ)跟蹤器,并使用當(dāng)前學(xué)習(xí)得到的跟蹤器以及從過(guò)往多時(shí)段視頻幀中學(xué)習(xí)得到的跟蹤器聯(lián)合創(chuàng)建了一個(gè)跟蹤器集。本文還研究了包含歧義性正則化項(xiàng)的選擇準(zhǔn)則損失函數(shù),實(shí)現(xiàn)在每一輪跟蹤中選擇出具有高似然度和低歧義性的跟蹤模型來(lái)確定當(dāng)前幀的目標(biāo)狀態(tài)。當(dāng)目標(biāo)跟蹤失敗后,跟蹤系統(tǒng)會(huì)在目標(biāo)重新出現(xiàn)時(shí)放棄被污染的當(dāng)前跟蹤模型,而選擇低歧義性的過(guò)往目標(biāo)模型恢復(fù)和重啟跟蹤系統(tǒng)。本文研究使用高效和低計(jì)算負(fù)擔(dān)的平均幾何分類間隔在跟蹤器自標(biāo)記的數(shù)據(jù)上度量跟蹤器的歧義性。實(shí)驗(yàn)表明,本文研究的方法可以成功地從跟蹤失敗中恢復(fù)和重啟,并且可以處理目標(biāo)劇烈復(fù)雜的外觀變化,在公用測(cè)試數(shù)據(jù)集的整體和各個(gè)屬性測(cè)試上都取得了排名前列跟蹤結(jié)果。最后,為了提升視頻監(jiān)控應(yīng)用中目標(biāo)發(fā)現(xiàn)和跟蹤初始化的精確度,本文還研究了具有較強(qiáng)通用性的基于在線子場(chǎng)景陰影建模和目標(biāo)內(nèi)邊緣分析的自適應(yīng)、精確運(yùn)動(dòng)陰影檢測(cè)方法。本文分別為具有不同輻射和反射條件的子場(chǎng)景建立了各自的自適應(yīng)在線陰影模型,以實(shí)現(xiàn)更加精確地描述陰影外觀。為了建立子場(chǎng)景的在線陰影模型,本文首先計(jì)算了每個(gè)子場(chǎng)景運(yùn)動(dòng)前景區(qū)域與其被遮擋背景的在HSI色彩空間中色度、飽和度和灰度特征差累積直方圖,并通過(guò)使用高斯模型來(lái)擬合這些累積直方圖的最顯著波峰來(lái)學(xué)習(xí)每個(gè)子區(qū)域陰影的似然模型。再者,本文研究使用目標(biāo)的內(nèi)邊緣分析去除前景中的疑似陰影區(qū)域。最后,本文還研究使用基于局部顏色一致屬性的區(qū)域生長(zhǎng)方法來(lái)回收那些被誤判為前景像素的陰影像素。實(shí)驗(yàn)表明,本文方法在沒(méi)有光照和應(yīng)用場(chǎng)景的先驗(yàn)知識(shí)的前提下,能夠自適應(yīng)地應(yīng)對(duì)陰影外觀變化和處理疑似陰影區(qū)域,其在實(shí)驗(yàn)測(cè)試中的表現(xiàn)優(yōu)于其他比較的方法。
[Abstract]:Visual object tracking is one of the basic and key research directions of computer vision , which has been one of the hot topics in the academic circle and industry in recent years . In order to avoid over - fitting on - line learning model , this paper studies a kind of efficient online depth - Boost learning method .
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
，

本文編號(hào)：2099501