發(fā)布時間：2018-06-27 07:42

  本文選題：計算機視覺 + 目標(biāo)跟蹤�。� 參考：《中國科學(xué)技術(shù)大學(xué)》2017年博士論文

【摘要】：視覺目標(biāo)跟蹤是計算機視覺中最為重要的研究內(nèi)容之一,并在視頻監(jiān)控、人機交互、增強現(xiàn)實、視覺導(dǎo)航、醫(yī)學(xué)圖像分析等領(lǐng)域有著深入的應(yīng)用。通常,視覺目標(biāo)跟蹤被視為對目標(biāo)狀態(tài)的估計和判別。即在給定初始的目標(biāo)狀態(tài)(如位置、尺度等信息)下,視覺目標(biāo)跟蹤的目的是在連續(xù)的圖像序列中估計或判別對象目標(biāo)的狀態(tài)。在過去的數(shù)十年里,視覺目標(biāo)跟蹤取得了顯著的進展,特別是在有約束條件或相對簡單的環(huán)境下,取得了較好的效果,如靜態(tài)場景下對剛體目標(biāo)的跟蹤等。然而,在現(xiàn)實世界里,由于目標(biāo)自身和背景環(huán)境的復(fù)雜性,實現(xiàn)魯棒和準(zhǔn)確的目標(biāo)跟蹤仍然是一個挑戰(zhàn)性的問題。跟蹤過程中,算法的性能和效果會受到各種因素的影響,如部分或全部遮擋、光照變化、平面內(nèi)旋轉(zhuǎn)、平面外旋轉(zhuǎn)、背景雜亂、尺度變化和復(fù)雜運動等,這些復(fù)雜的因素會導(dǎo)致目標(biāo)表觀發(fā)生顯著的變化。目前,已有或存在的跟蹤方法仍然不能有效解決這些復(fù)雜的因素所帶來的問題,視覺目標(biāo)跟蹤算法的性能還需要進一步的提高。在視覺目標(biāo)跟蹤過程中,如何有效地表征目標(biāo),往往對跟蹤的結(jié)果和性能起著決定性的作用。此外,目標(biāo)所處的環(huán)境因素對跟蹤的結(jié)果和性能起著重要的影響。特別是在復(fù)雜的環(huán)境下,目標(biāo)特征及目標(biāo)上下文信息可以為跟蹤提供重要的證據(jù)信息。因而,有效利用目標(biāo)特征信息及上下文信息表征對象目標(biāo),是提高算法性能的重要途徑之一。本文在深入分析視覺目標(biāo)跟蹤工作機理的基礎(chǔ)上,結(jié)合目標(biāo)的結(jié)構(gòu)化特征信息以及上下文信息,從構(gòu)建魯棒的目標(biāo)表觀模型角度出發(fā),開展了相關(guān)的研究工作,并提出了一些新的思路。本文的主要工作及創(chuàng)新點包括:(1)針對跟蹤過程中表觀發(fā)生劇烈變化的目標(biāo)跟蹤問題,本文提出了一種新的基于自適應(yīng)分塊表觀模型的視覺目標(biāo)跟蹤方法。本文方法用一組空間上具有內(nèi)在幾何結(jié)構(gòu)關(guān)系約束的局部圖像塊表征對象目標(biāo),以適應(yīng)對象目標(biāo)表觀的劇烈變化。在跟蹤過程中,對象模型的局部分塊依據(jù)目標(biāo)表觀的變化實現(xiàn)在線自適應(yīng)的更新(添加和刪除)。本文方法充分利用了局部分塊對表觀變化適應(yīng)上的靈活性,克服了傳統(tǒng)算法不能及時更新表觀模型的局限性。與此同時,本文方法利用顏色特征構(gòu)建對象目標(biāo)的全局概率模型,為局部塊的更新提供了有效的先驗信息,為表觀模型提供了更加可靠、靈活的更新依據(jù)。實驗結(jié)果表明,該方法能夠較好的適應(yīng)目標(biāo)的表觀變化,在目標(biāo)發(fā)生劇烈的表觀變化時能夠有效的跟蹤目標(biāo)。(2)為在復(fù)雜環(huán)境下實現(xiàn)魯棒的目標(biāo)跟蹤,本文提出了一種基于局部表觀模型和上下文信息的目標(biāo)跟蹤方法。在跟蹤過程中,利用目標(biāo)內(nèi)部的局部圖像塊和目標(biāo)的上下文聯(lián)合表征對象目標(biāo),構(gòu)建目標(biāo)的表觀模型。首先,將目標(biāo)表征為一組柵格化的局部圖像塊,利用梯度和亮度信息描述局部圖像塊的特征。局部塊的似然度由穩(wěn)定性和可靠性描述,以評估跟蹤過程中局部塊的魯棒性。本文方法通過局部分塊的表征方式有效的保存了目標(biāo)內(nèi)部的空間結(jié)構(gòu)信息,能在復(fù)雜環(huán)境下快速適應(yīng)目標(biāo)的局部表觀變化。其次,為抑制跟蹤過程中的漂移,目標(biāo)由分別包含了前景和背景的上下文信息表征。通過在模型的構(gòu)建過程中融合背景信息,有效的抑制了背景模糊和噪聲對目標(biāo)跟蹤的影響。實驗結(jié)果表明,該方法能有效的處理遮擋、快速運動和背景模糊等復(fù)雜情況。(3)為有效表征對象目標(biāo),本文提出了一個層次化的表觀模型,并在貝葉斯框架下構(gòu)建了基于層次化模型的視覺目標(biāo)跟蹤方法。跟蹤過程中,對象目標(biāo)由局部層和全局層組成的層次化表觀模型表征。局部層模型用一組局部分塊描述對象目標(biāo),以適應(yīng)由遮擋、形變等引起的局部表觀變化。全局層模型用包含了前景和背景的目標(biāo)上下文信息描述目標(biāo),以有效處理跟蹤過程中出現(xiàn)的復(fù)雜背景、運動模糊等情況導(dǎo)致的影響。該方法通過局部層、全局層的聯(lián)合表征方式,能夠有效提升目標(biāo)表征的準(zhǔn)確性,能夠有效抑制各種復(fù)雜情況對跟蹤結(jié)果的影響。實驗結(jié)果表明,該算法具有較高的效率、魯棒性和準(zhǔn)確性,在各種復(fù)雜環(huán)境下均取得了較高的目標(biāo)跟蹤性能。(4)為獲取魯棒、準(zhǔn)確的跟蹤性能,本文將相干濾波引入到目標(biāo)跟蹤框架中,基于相干濾波、局部分塊模型和上下文信息提出了一種協(xié)同視覺目標(biāo)跟蹤方法。為提高目標(biāo)跟蹤的準(zhǔn)確性,本文方法采用粗到細的跟蹤策略。在粗跟蹤階段,目標(biāo)由多個由隨機采樣獲取的局部圖像塊表征,每個局部塊獨立的執(zhí)行跟蹤任務(wù),目標(biāo)狀態(tài)由各個局部圖像塊的狀態(tài)預(yù)測經(jīng)過加權(quán)后初步確定。在細跟蹤階段,目標(biāo)由包含了背景和前景的雙矩形框聯(lián)合表征。通過在跟蹤過程中融入上下文信息,在貝葉斯推理框架下基于細搜索策略精確估計目標(biāo)的位置。此外,為在長期的目標(biāo)跟蹤中獲取魯棒的跟蹤效果,我們基于局部圖像塊的置信度來處理跟蹤過程中發(fā)生的遮擋。跟蹤過程中,本文方法將生成模型和判別模型相融合,實現(xiàn)了兩種模型的優(yōu)勢互補;通過將基于局部模型的跟蹤方式和基于全局模型的跟蹤方式相融合,實現(xiàn)了協(xié)同的目標(biāo)跟蹤。實驗結(jié)果顯示,本文方法相比已有的常規(guī)算法,具有較高的效率、準(zhǔn)確性和魯棒性。
[Abstract]:Visual object tracking is one of the most important research contents in computer vision , and in the field of video monitoring , human - machine interaction , augmented reality , visual navigation , medical image analysis , etc . This paper presents a method of target tracking based on local apparent model and context information . The results show that the method can effectively deal with the complex background and motion blur caused by occlusion , deformation and so on . ( 4 ) In order to obtain robust and accurate tracking performance , the coherent filtering is introduced into the target tracking framework . In order to improve the accuracy of target tracking , a coarse - to - fine tracking strategy is proposed in this paper .
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 顧勇;張燦果;龔志廣;;基于圖像塊分割融合算法在醫(yī)學(xué)圖像中的應(yīng)用[J];河北建筑工程學(xué)院學(xué)報;2007年02期

2 李天偉;黃謙;郭模燦;何四華;;圖像塊混沌特征在海面運動目標(biāo)檢測中的應(yīng)用[J];中國造船;2011年02期

3 李軍;部分圖像塊的顯示及特技制作技巧[J];電腦編程技巧與維護;1997年04期

4 李生金;蒲寶明;賀寶岳;王維維;;基于圖像塊的滯留物/移取物的檢測方法[J];小型微型計算機系統(tǒng);2014年01期

5 趙德斌;陳耀強;高文;;基于圖像塊方向的自適應(yīng)無失真編碼[J];模式識別與人工智能;1998年01期

6 陳琦,李華,朱光喜;一種新的應(yīng)用于屏幕共享的圖像塊識別算法[J];電訊技術(shù);2000年06期

7 劉尚翼;霍永津;羅欣榮;白仲亮;魏林鋒;項世軍;;基于圖像塊相關(guān)性分類的加密域可逆數(shù)據(jù)隱藏[J];武漢大學(xué)學(xué)報(理學(xué)版);2013年05期

8 陳奮,閆冬梅,趙忠明;一種快速圖像塊填充算法及其在遙感影像處理中的應(yīng)用[J];計算機應(yīng)用;2005年10期

9 馬文龍,余寧梅,銀磊,高勇;圖像塊動態(tài)劃分矢量量化[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2005年02期

10 李維釗,王廣偉;圖像塊平坦測度與系數(shù)掃描方式選擇[J];山東電子;2000年04期

相關(guān)會議論文 前2條

1 李趙紅;侯建軍;宋偉;;基于圖像塊等級模型的多重認證水印算法[A];第八屆全國信息隱藏與多媒體安全學(xué)術(shù)大會湖南省計算機學(xué)會第十一屆學(xué)術(shù)年會論文集[C];2009年

2 鐘凡;莫銘臻;秦學(xué)英;彭群生;;基于WSSD的不規(guī)則圖像塊快速匹配[A];中國計算機圖形學(xué)進展2008--第七屆中國計算機圖形學(xué)大會論文集[C];2008年

相關(guān)博士學(xué)位論文 前6條

1 霍雷剛;圖像處理中的塊先驗理論及應(yīng)用研究[D];西安電子科技大學(xué);2015年

2 欽夏孟;稠密圖像塊匹配方法及其應(yīng)用[D];北京理工大學(xué);2015年

3 林樂平;基于過完備字典的非凸壓縮感知理論與方法研究[D];西安電子科技大學(xué);2016年

4 向濤;復(fù)雜場景下目標(biāo)檢測算法研究[D];電子科技大學(xué);2016年

5 鮑華;復(fù)雜場景下基于局部分塊和上下文信息的單視覺目標(biāo)跟蹤[D];中國科學(xué)技術(shù)大學(xué);2017年

6 宋偉;幾類數(shù)字圖像水印算法的研究[D];北京交通大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 王榮麗;基于半監(jiān)督學(xué)習(xí)的目標(biāo)跟蹤方法研究[D];浙江師范大學(xué);2015年

2 祝漢城;數(shù)字圖像的客觀質(zhì)量評價方法研究[D];中國礦業(yè)大學(xué);2015年

3 陸杰;使用自組織增量神經(jīng)網(wǎng)絡(luò)實現(xiàn)單層非監(jiān)督特征學(xué)習(xí)[D];南京大學(xué);2015年

4 熊耀先;基于圖像塊統(tǒng)計特性的EPLL遙感圖像復(fù)原方法[D];國防科學(xué)技術(shù)大學(xué);2014年

5 張書揚;基于冗余字典的圖像壓縮感知技術(shù)研究[D];吉林大學(xué);2016年

6 楊存強;基于圖像塊多級分類和稀疏表示的超分辨率重建算法研究[D];天津工業(yè)大學(xué);2016年

7 李向向;視頻監(jiān)控下實時異常行為檢測研究[D];南京郵電大學(xué);2016年

8 程曉東;基于幀間塊約束和進化計算的視頻壓縮感知重構(gòu)方法[D];西安電子科技大學(xué);2016年

9 李小青;基于脊波冗余字典和多目標(biāo)遺傳優(yōu)化的壓縮感知圖像重構(gòu)[D];西安電子科技大學(xué);2016年

10 文俊;基于深度卷積神經(jīng)網(wǎng)絡(luò)的室外場景理解研究[D];杭州電子科技大學(xué);2016年

，

本文編號：2073187