發(fā)布時間：2018-07-05 07:44

  本文選題：視覺目標(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】：視覺目標(biāo)跟蹤(Visual object tracking, VOT)技術(shù)是計算機(jī)視覺的一個基礎(chǔ)和關(guān)鍵的研究方向,近年來一直是學(xué)術(shù)界和產(chǎn)業(yè)界關(guān)注的熱點(diǎn)之一。盡管近年來國內(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)有跟蹤算法很難實現(xiàn)目標(biāo)長時持續(xù)跟蹤。此外,目標(biāo)發(fā)現(xiàn)階段運(yùn)動陰影檢測算法的效率也會影響視頻監(jiān)控應(yīng)用中跟蹤器初始化的精度,引發(fā)跟蹤失敗。本文針對這些問題開展了以下研究：首先,為提升跟蹤算法應(yīng)對目標(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表達(dá)方法以結(jié)合局部和全局視覺表達(dá)的優(yōu)勢。該視覺表達(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)雜度的特性來產(chǎn)生一個不易過擬合的自適應(yīng)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(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往多時段視頻幀中學(xué)習(xí)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(zhǔn)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(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)會在目標(biāo)重新出現(xiàn)時放棄被污染的當(dāng)前跟蹤模型,而選擇低歧義性的過往目標(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。實驗表明,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(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(yīng)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(yùn)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(xué)習(xí)每個子區(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(yīng)用場景的先驗知識的前提下,能夠自適應(yīng)地應(yīng)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(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
，

本文編號：2099501