目標(biāo)跟蹤作為計算機(jī)視覺與模式識別中的一個重要研究方向,近年來一直備受關(guān)注。其中,由于在線跟蹤存在目標(biāo)及場景先驗知識缺乏,物體及環(huán)境變化不可預(yù)測等諸多挑戰(zhàn),因此,與離線跟蹤相比,在線跟蹤的研究對建模方法的適應(yīng)性和學(xué)習(xí)策略方面有著更高的要求,從而也成為該研究方向中最具挑戰(zhàn)性的難點問題之一。針對上述問題,本論文從分析在線目標(biāo)跟蹤的幀內(nèi)目標(biāo)表示和幀間運動變化等特點入手,開展了基于運動目標(biāo)外觀模型與運動估計聯(lián)合建模的在線跟蹤研究。通過構(gòu)造精確的目標(biāo)表示模型及靈活的目標(biāo)運動約束,提高在線學(xué)習(xí)模型的適應(yīng)性,并結(jié)合魯棒的模型更新機(jī)制,實現(xiàn)復(fù)雜環(huán)境中精確而魯棒的目標(biāo)跟蹤,最后通過優(yōu)化學(xué)習(xí)策略進(jìn)一步提高了跟蹤方法的實時性。針對非剛體目標(biāo)形狀不規(guī)則,傳統(tǒng)矩形框表示方式不準(zhǔn)確的問題,本文研究了更為普適的基于不規(guī)則區(qū)域的目標(biāo)跟蹤,提出了基于目標(biāo)外觀與運動流分割的非剛體目標(biāo)跟蹤算法。通過將運動估計引入到在線目標(biāo)分割的過程中,實現(xiàn)了更為精確的目標(biāo)表示,有效解決了目前制約任意形狀物體在線跟蹤的關(guān)鍵問題,并且獲得了較好的跟蹤結(jié)果。然而,由于實際環(huán)境的復(fù)雜性和多樣性,當(dāng)目標(biāo)區(qū)域顏色分布不均勻或目標(biāo)與背景相似度較高時,很難分割出精確的目標(biāo)區(qū)域,從而影響了跟蹤器的性能。因此,如何提升跟蹤模型的普適性成為論文研究的下一個目標(biāo)。通過對在線分類器樣本標(biāo)簽分布特性的進(jìn)一步分析發(fā)現(xiàn),利用標(biāo)記樣本和未標(biāo)記樣本分布的關(guān)聯(lián)性可以極大提升在線分類器的性能。本文充分利用樣本標(biāo)簽空間分布特性以及幀間的運動估計,提出了基于空間約束與運動估計的改進(jìn)直推式學(xué)習(xí)跟蹤算法,簡化了傳統(tǒng)直推式學(xué)習(xí)的樣本聚類過程的計算成本,有效地提升了分類器學(xué)習(xí)的效率。而模型中的選擇性目標(biāo)預(yù)測機(jī)制和基于預(yù)算緩沖的模型更新策略也使得分類器學(xué)習(xí)更加魯棒,有效克服了目標(biāo)在具有相似紋理場景中的目標(biāo)位置估計問題。該算法在不同的應(yīng)用環(huán)境下獲得了較為準(zhǔn)確的跟蹤效果,在線學(xué)習(xí)效率也得到一定的提升,然而更為精確且實時的在線目標(biāo)跟蹤還需進(jìn)一步研究。為了得到準(zhǔn)確且實時的跟蹤算法,本文重點研究如何在保證跟蹤器精確性的前提下提升在線目標(biāo)跟蹤實時性。針對快速的目標(biāo)預(yù)測及精確的目標(biāo)定位問題,本文綜合利用外觀模型魯棒性高及運動估計精確度高的優(yōu)點,提出了基于外觀模型與運動估計的高階正則化融合跟蹤算法。通過構(gòu)造具有循環(huán)結(jié)構(gòu)的核函數(shù)作為外觀正則項,快速預(yù)測目標(biāo)的初始位置。再利用運動正則項進(jìn)行自適應(yīng)的目標(biāo)大小尺度估計以及快速運動的處理。最后,采用高階正則化的融合學(xué)習(xí)的方式實現(xiàn)了更為準(zhǔn)確和魯棒的跟蹤器,并且達(dá)到了實時的跟蹤速度。通過與多個當(dāng)前國際主流跟蹤方法在標(biāo)準(zhǔn)測試數(shù)據(jù)上的比較,充分證明了本文研究成果的先進(jìn)性和有效性。
【學(xué)位授予單位】：西北工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
文章目錄
摘要
Abstract
第1章 緒論
1.1 研究背景及意義
1.2 研究現(xiàn)狀
1.2.1 目標(biāo)表示模型
1.2.2 目標(biāo)預(yù)測機(jī)制
1.2.3 模型更新機(jī)制
1.2.4 多跟蹤模型融合
1.3 研究內(nèi)容及創(chuàng)新點
1.3.1 在線目標(biāo)跟蹤框架總結(jié)及分析
1.3.2 基于目標(biāo)外觀與運動流分割的非剛體目標(biāo)跟蹤
1.3.3 基于空間約束與運動估計的改進(jìn)直推式學(xué)習(xí)跟蹤
1.3.4 基于外觀模型與運動估計的高階正則化融合跟蹤
1.4 論文內(nèi)容安排
第2章 基于目標(biāo)外觀與運動流分割的非剛體目標(biāo)跟蹤
2.1 引言
2.2 基于在線Hough Forests的目標(biāo)跟蹤
2.3 基于在線Hough Forests與運動流分割的目標(biāo)跟蹤
2.3.1 基于運動流的目標(biāo)分割模型
2.3.2 基于在線Hough Forests與運動流分割的跟蹤框架
2.4 實驗結(jié)果及分析
2.4.1 實驗設(shè)置
2.4.2 定量評價及分析
2.4.3 定性評價及分析
2.5 本章小節(jié)
第3章 基于空間約束與運動估計的改進(jìn)直推式學(xué)習(xí)跟蹤
3.1 引言
3.2 基于空間約束與運動估計的改進(jìn)TSVM學(xué)習(xí)算法
3.2.1 傳統(tǒng)的TSVM學(xué)習(xí)算法
3.2.2 改進(jìn)的TSVM學(xué)習(xí)算法
3.3 基于空間約束與運動估計的改進(jìn)TSVM跟蹤算法
3.3.1 基于空間約束與運動估計的改進(jìn)TSVM跟蹤框架
3.3.2 外觀模型
3.3.3 運動模型
3.3.4 選擇性目標(biāo)預(yù)測機(jī)制
3.3.5 基于預(yù)算緩沖的模型更新機(jī)制
3.4 實驗結(jié)果及分析
3.4.1 實驗設(shè)置
3.4.2 定量評價及分析
3.4.3 定性評價及分析
3.5 本章小結(jié)
第4章 基于外觀模型與運動估計的高階正則化融合跟蹤
4.1 引言
4.2 基于高階正則化融合的半監(jiān)督學(xué)習(xí)
4.2.1 基于核函數(shù)目標(biāo)預(yù)測的外觀正則項
4.2.2 基于圖結(jié)構(gòu)的運動估計正則項
4.3 基于外觀模型與運動估計的高階正則化融合跟蹤
4.3.1 基于外觀模型與運動估計的高階正則化融合跟蹤框架
4.3.2 自適應(yīng)的目標(biāo)尺度估計
4.3.3 快速運動目標(biāo)定位
4.3.4 快速的圖像塊相似度估計
4.4 實驗結(jié)果及分析
4.4.1 實驗設(shè)置
4.4.2 定量評價及分析
4.4.3 定性評價及分析
4.5 本章小結(jié)
第5章 總結(jié)與展望
5.1 本文工作總結(jié)
5.2 未來工作展望
參考文獻(xiàn)
附錄
致謝
攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文
攻讀博士學(xué)位期間參加的科研項目
【相似文獻(xiàn)】
相關(guān)期刊論文 前10條
1 宋永江,夏良正,楊世周;多直線全局運動估計及其在圖像穩(wěn)定中的應(yīng)用[J];東南大學(xué)學(xué)報(自然科學(xué)版);2002年02期
2 楊軍,王群生;一種新的快速塊匹配運動估計搜索算法[J];電視技術(shù);2004年04期
3 宋傳鳴,王相海;小波域視頻運動估計研究進(jìn)展[J];計算機(jī)學(xué)報;2005年10期
4 宋傳鳴;王相海;;一種新的小波域視頻可分級運動估計方案[J];計算機(jī)學(xué)報;2006年12期
5 禹晶;蘇開娜;;塊運動估計的研究進(jìn)展[J];中國圖象圖形學(xué)報;2007年12期
6 金濤;付宇卓;何衛(wèi)鋒;;一種可變塊運動估計結(jié)構(gòu)的優(yōu)化設(shè)計[J];微型電腦應(yīng)用;2008年02期
7 王莉莉;黃曉革;甘濤;;一種自適應(yīng)十字—方形運動估計快速算法[J];計算機(jī)應(yīng)用研究;2009年02期
8 王洪源;陳慕羿;;一種低功耗容錯運動估計硬件結(jié)構(gòu)[J];現(xiàn)代電子技術(shù);2009年22期
9 謝式絢,楊文瑜;介紹動態(tài)圖象中目標(biāo)運動估計的兩種方法[J];計算機(jī)工程;1987年01期
10 段成罡，顧鐘秀，鄭志航;用基因算法進(jìn)行運動估計[J];上海交通大學(xué)學(xué)報;1996年12期
相關(guān)博士學(xué)位論文 前10條
1 卓濤;基于外觀模型與運動估計聯(lián)合建模的在線目標(biāo)跟蹤[D];西北工業(yè)大學(xué);2016年
2 陳運必;高性能運動估計的架構(gòu)設(shè)計與優(yōu)化的研究[D];中國科學(xué)技術(shù)大學(xué);2011年
3 紀(jì)中偉;先進(jìn)的運動估計與運動補(bǔ)償算法在數(shù)字視頻處理中的應(yīng)用[D];電子科技大學(xué);2002年
4 王鎮(zhèn)道;視頻壓縮的運動估計與小波方法研究[D];湖南大學(xué);2008年
5 魏偉;視頻壓縮編碼的運動估計與補(bǔ)償技術(shù)[D];天津大學(xué);2008年
6 許曉中;視頻編碼標(biāo)準(zhǔn)中運動估計技術(shù)研究[D];清華大學(xué);2009年
7 于雪松;基于單目無標(biāo)記點的人體3D運動估計關(guān)鍵技術(shù)的研究[D];哈爾濱工業(yè)大學(xué);2009年
8 劉新春;面向MPEG-4的視頻分割算法研究[D];中國科學(xué)院電子學(xué)研究所;2000年
9 朱向軍;視頻運動對象分割與先進(jìn)運動估計/運動補(bǔ)償算法之研究[D];浙江大學(xué);2006年
10 向東;基于H.264框架的運動估計和變換研究[D];華中科技大學(xué);2006年
相關(guān)碩士學(xué)位論文 前10條
1 徐情生;H.264整數(shù)運動估計快速算法的電路設(shè)計[D];東南大學(xué);2015年
2 陳杰;面向RGBD的對象分割與運動估計技術(shù)研究[D];南京大學(xué);2016年
3 鄭吉君;高性能低功耗的運動估計陣列設(shè)計與實現(xiàn)[D];上海交通大學(xué);2011年
4 趙彥發(fā);基于邊緣特征的運動估計方法研究[D];西安理工大學(xué);2007年
5 金濤;全搜索運動估計結(jié)構(gòu)的研究與設(shè)計[D];上海交通大學(xué);2008年
6 楊沁儀;序列圖像運動估計、目標(biāo)檢測及分層技術(shù)[D];電子科技大學(xué);2004年
7 鄒曉春;基于快速塊匹配的圖象序列運動估計技術(shù)研究[D];西北工業(yè)大學(xué);2005年
8 吳慶偉;運動估計方法研究與序列圖像的相關(guān)性分析[D];華中科技大學(xué);2005年
9 潘健;基于冗余小波的多分辨率運動估計研究[D];蘇州大學(xué);2006年
10 白然施;視頻壓縮中的運動估計技術(shù)的研究[D];汕頭大學(xué);2003年
本文編號：
2152886
