本文選題：視覺目標跟蹤 + 目標外觀模型��； 參考：《華中科技大學》2016年博士論文

【摘要】：視覺目標跟蹤(Visual object tracking, VOT)技術是計算機視覺的一個基礎和關鍵的研究方向,近年來一直是學術界和產(chǎn)業(yè)界關注的熱點之一。盡管近年來國內(nèi)外研究者在目標跟蹤上取得顯著的進步,但是如光照變化、形變、遮擋等復雜目標外觀變化的干擾以及跟蹤器難以從跟蹤失敗中恢復的難題,使得現(xiàn)有跟蹤算法很難實現(xiàn)目標長時持續(xù)跟蹤。此外,目標發(fā)現(xiàn)階段運動陰影檢測算法的效率也會影響視頻監(jiān)控應用中跟蹤器初始化的精度,引發(fā)跟蹤失敗。本文針對這些問題開展了以下研究：首先,為提升跟蹤算法應對目標復雜劇烈外觀變化的能力,本文研究了一種準確、魯棒的基于DeepBoost集成學習方法的跟蹤算法(DeepBoost-Tracker, DBT) .該跟蹤算法采用了一種靈活、限制復雜度的目標外觀模型,可實現(xiàn)高效處理目標復雜劇烈外觀變化。該算法提出了一種聯(lián)合局部全局特征的視覺表達方法以結合局部和全局視覺表達的優(yōu)勢。該視覺表達方法使用稀疏隨機投影技術將目標主要的局部和全局空間結構信息靈活地嵌入具有多復雜度分類器成員的候選分類器集中。此外,為了避免在線學習模型過擬合,本文跟蹤算法采用了一種高效的在線DeepBoost學習方法,利用其限制復雜度的特性來產(chǎn)生一個不易過擬合的自適應魯棒跟蹤器。實驗表明,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果。其次,為了在保持Boosting類型跟蹤器較強自適應能力的同時增強跟蹤器從跟蹤失敗中恢復和重啟的能力,本文研究了一種歧義性正則化的多時段自適應跟蹤框架,該算法框架使得跟蹤系統(tǒng)可以從跟蹤失敗中恢復和重啟。為了描述在跟蹤過程中目標的主要外觀變化,本文算法將DBT作為基礎跟蹤器,并使用當前學習得到的跟蹤器以及從過往多時段視頻幀中學習得到的跟蹤器聯(lián)合創(chuàng)建了一個跟蹤器集。本文還研究了包含歧義性正則化項的選擇準則損失函數(shù),實現(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確定當前幀的目標狀態(tài)。當目標跟蹤失敗后,跟蹤系統(tǒng)會在目標重新出現(xiàn)時放棄被污染的當前跟蹤模型,而選擇低歧義性的過往目標模型恢復和重啟跟蹤系統(tǒng)。本文研究使用高效和低計算負擔的平均幾何分類間隔在跟蹤器自標記的數(shù)據(jù)上度量跟蹤器的歧義性。實驗表明,本文研究的方法可以成功地從跟蹤失敗中恢復和重啟,并且可以處理目標劇烈復雜的外觀變化,在公用測試數(shù)據(jù)集的整體和各個屬性測試上都取得了排名前列跟蹤結果。最后,為了提升視頻監(jiān)控應用中目標發(fā)現(xiàn)和跟蹤初始化的精確度,本文還研究了具有較強通用性的基于在線子場景陰影建模和目標內(nèi)邊緣分析的自適應、精確運動陰影檢測方法。本文分別為具有不同輻射和反射條件的子場景建立了各自的自適應在線陰影模型,以實現(xiàn)更加精確地描述陰影外觀。為了建立子場景的在線陰影模型,本文首先計算了每個子場景運動前景區(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,并通過使用高斯模型來擬合這些累積直方圖的最顯著波峰來學習每個子區(qū)域陰影的似然模型。再者,本文研究使用目標的內(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)域生長方法來回收那些被誤判為前景像素的陰影像素。實驗表明,本文方法在沒有光照和應用場景的先驗知識的前提下,能夠自適應地應對陰影外觀變化和處理疑似陰影區(qū)域,其在實驗測試中的表現(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 .
【學位授予單位】：華中科技大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP391.41
，

本文編號：2099501