检索结果-内蒙古大学图书馆

作者：吴思远中国科学院大学(中国科学院西安光学精密机械研究所)

学位级别：硕士

目标跟踪技术是计算机视觉领域研究的热点与难点,其在理论研究领域与实际应用方向均具有重要的研究价值。目标跟踪一般是指在已知目标的初始状态后,在图像序列中持续检测目标的位置、目标边界框等目标状态,获取目标的连续运动轨迹。虽... 详细信息

目标跟踪技术是计算机视觉领域研究的热点与难点,其在理论研究领域与实际应用方向均具有重要的研究价值。目标跟踪一般是指在已知目标的初始状态后,在图像序列中持续检测目标的位置、目标边界框等目标状态,获取目标的连续运动轨迹。虽然目标跟踪技术已经被研究了二三十年,许多优秀的算法也被相继提出,获得了令人满意的跟踪结果。然而在跟踪过程中,受目标遮挡、光照条件变化、目标姿态形变等环境因素的干扰,目标的外观时常发生严重的改变,导致设计鲁棒的跟踪算法仍然是一个非常严峻的挑战。为了克服上述环境因素的干扰,有效的目标表观模型对于鲁棒的跟踪算法来说至关重要。目标的表观模型是跟踪算法的重点与难点。根据表观模型的研究对象,现有的主流跟踪算法大致可以被分为两类:基于目标整体的跟踪算法与基于目标图像块的跟踪算法。基于目标整体的跟踪算法从目标图像中提取高判别性的全局特征,构建目标的表观模型。该表观模型包含的目标全局特征判别性较高,能够有效地从复杂背景中分离出目标,但是模型的鲁棒性较差,不能较好地处理光照条件变化、目标姿态形变等环境因素的干扰。基于目标图像块的跟踪算法将目标整体划分为不同的图像块,分别提取图像块的特征并构建目标的表观模型。由于该模型能够及时检测目标的局部变化,通过表观模型的更新保持模型的有效性与及时性,克服目标外观变化的影响。然而,基于目标图像块的表观模型判别性较差,容易受到背景干扰项的影响,不利于跟踪的精度。为了解决上述存在的难点,本文从跟踪算法的目标表观模型角度,分别提出了基于多样性模板的目标跟踪算法以及基于多尺度图像块的目标跟踪算法。基于多样性模板的目标跟踪算法的核心思想是动态维护目标表观模型中模板的多样性,即根据模板之间的差异性与相似性剔除、添加或者替换相应的模板,尽可能地保持模板之间的差异性最大化。在跟踪过程中,表观模型的多样性模板可以提供更多的目标先验信息,使得跟踪结果更加准确、可靠。基于多尺度图像块的目标跟踪算法构建包含目标全局特征与局部特征的表观模型,有效地互补基于目标整体与基于目标图像块的表观模型的优点与缺点。提出由粗到细的策略优化目标的位置与尺度,首先利用大尺度图像块的全局特征从复杂背景中分离出目标的大致区域,然后借助小尺度图像块的局部特征最优化目标的中心位置与边界框。另外,由于目标表观模型包含目标的全局特征与局部特征,其不仅可以克服复杂背景项的干扰,而且能够有效地处理目标遮挡、光照条件变化等目标外观的变化。为了验证本文提出方法的有效性,我们分别从公开的目标跟踪数据库(CVPR2013、OTB100、VOT2014)中筛选部分具有代表性的图像跟踪序列做为测试数据集,选取主流的目标跟踪算法做为对比方法,实验结果证明了本文提出方法的可靠性与有效性。

关键词：计算机视觉目标跟踪目标表观模型目标图像块

来源：评论

学校读者我要写书评

暂无评论

基于粒子滤波的多区域辨识性建模跟踪算法

引用

四川大学学报（工程科学版） 2013年第S1期45卷 79-83页

作者：季玉龙董天罡梁海军戈文一四川大学视觉合成图形图像技术国防重点学科实验室四川成都610065

为使跟踪算法中的目标模型不被相同特征的背景像素所干扰,在粒子滤波的框架下引入多区域辨识性建模机制,提出1种新的鲁棒的目标跟踪算法。提出的算法侧重能够辨识前景与背景的最有效信息,把目标物体划分为多个子区域。通过统计子区域与... 详细信息

为使跟踪算法中的目标模型不被相同特征的背景像素所干扰,在粒子滤波的框架下引入多区域辨识性建模机制,提出1种新的鲁棒的目标跟踪算法。提出的算法侧重能够辨识前景与背景的最有效信息,把目标物体划分为多个子区域。通过统计子区域与背景类别的类内/类间特性选择出最具信息量的子区域。在选出的目标区域基础上,提出的算法以贝叶斯的方式同时考虑图像信息及空间信息,建立具有辨识性的目标表观模型,并在粒子滤波的更新阶段用以估量目标的所在区域。在一系列具有挑战性的视频序列上的实验结果证明了,在许多复杂场景下,提出的方法与传统的粒子滤波跟踪器相比的鲁棒性以及有效性。

关键词：目标跟踪粒子滤波辨识性目标表观模型

来源：评论

学校读者我要写书评

暂无评论

视频跟踪中的目标建模及相似性度量研究

视频跟踪中的目标建模及相似性度量研究

引用

作者：周瑜华中科技大学

学位级别：博士

随着大数据时代的到来,海量的视频数据存在于互联网中,如何对这些视频数据进行分析、识别和理解是计算机视觉领域新兴的研究热点。溯本求源,要做到对视频的语义进行理解,需要对视频中运动目标的姿态、行为等属性进行分析和理解。要达到... 详细信息

随着大数据时代的到来,海量的视频数据存在于互联网中,如何对这些视频数据进行分析、识别和理解是计算机视觉领域新兴的研究热点。溯本求源,要做到对视频的语义进行理解,需要对视频中运动目标的姿态、行为等属性进行分析和理解。要达到这一目的,首先需要对视频序列中目标的运动趋势进行建模。这就回归到了计算机视觉中的一个基础性问题：视频目标跟踪。由于视频数据的复杂性、多样性以及运动目标本身变化的不确定性,视频目标跟踪目前依然是计算机视觉中的一个难点。其主要的挑战和困难包括：运动目标的表观具有多变性,包括目标本身的变化如平面内旋转、出平面旋转、尺度变化等；同时,外在环境的变化也常常导致运动目标的表观发生变化,如光照条件变化、目标物体被其他物体遮挡、复杂背景噪声和由采集设备的不稳定所带来的运动模糊等等。本论文从视频跟踪问题的基本建模方式入手,对视频跟踪基本模型进行分解,将鲁棒视频跟踪方法的设计问题归结为对两个核心难点问题的研究：1)如何有效建立稳健的运动目标表观模型,从而鲁棒的应对各种内在的或由外界环境带来的目标表观变化。2)如何鲁棒的度量目标表观模型和候选目标之间的相似程度,从而有效的在后续帧中定位目标物体。本文的工作紧紧围绕上述的两个难点问题,从以下三个方面展开研究： (1)从人眼视觉的本质规律出发,提出一种基于时空显著性结构化的目标表观模型建模方法。该方法采用对图像局部区域进行建模的方式,全面而深入的讨论了前景目标局部图像区域的显著特性。这种显著特性既包括了局部图像区域在空间维度上的显著性质,也包括了局部图像区域在时间维度上的显著性质,从而保证了具有较高显著性的局部图像区域能够提供充分的跟踪信息。进一步,该方法讨论了对目标的结构化建模问题,将局部图像区域的空间关系建模成为互斥约束,并加入到对局部图像区域的选择中,从而保证了目标表观模型中的冗余信息最小化。基于该表观模型,本文还给出了新的目标定位策略和模型在线更新策略,从而保证了该表观模型能够有效应对在视频序列中发生的目标表观变化。 (2)提出一种基于低维特征子空间的目标表观模型建模方法,该方法将目标表观模型定义为一组随机的局部图像区域,这组局部图像区域是从一个过完备的特征空间中选择得到,是对原始高维特征空间的低维近似,能够有效捕捉到充分的跟踪信息。整体运动目标由该特征子空间构成的向量表达。在连续帧匹配过程中,通过特征子空间的匹配来定位目标物体。该方法的一个重要特点是简单快速,能很好的满足视频跟踪应用对实时性的要求。 (3)提出一种适合于视频跟踪应用的基于传播融合的相似性度量方法,该方法能有效挖掘不同特征类型之间的互补特性,并将它们融合到一个统一的相似性度量之中；同时,该方法能有效利用后续帧中的候选目标之间的上下文结构关系,从而有效改善相似性度量的鲁棒性。该相似性度量方法的计算复杂度低,不依赖于特定的特征输入,任意类型的特征均可作为该相似性度量方法的输入。本文从运动目标表观模型和相似性度量两个角度出发,进行了深入而全面的研究,给出了一系列解决方法。理论分析以及实验结果表明,本文所提出的两种目标表观模型能鲁棒的建模视频中的运动目标,相似性度量方法能够有效的改善原始的相似性度量,从而提高跟踪算法的鲁棒性。

关键词：视频跟踪目标表观模型相似性度量局部表观模型显著性特征子空间融合

来源：评论

学校读者我要写书评

暂无评论

基于时空上下文建模的相关滤波视觉跟踪方法研究

基于时空上下文建模的相关滤波视觉跟踪方法研究

引用

作者：李峰哈尔滨工业大学

学位级别：博士

给定目标在初始帧的标注信息,视觉跟踪旨在预测其在后续帧的中心位置和大小。由于目标缺少足够的先验信息,同时在跟踪中容易受到运动模糊、形变和遮挡等因素干扰,从而产生复杂的外观变化,这些都为设计精确高效的视觉跟踪方法带来了巨大... 详细信息

给定目标在初始帧的标注信息,视觉跟踪旨在预测其在后续帧的中心位置和大小。由于目标缺少足够的先验信息,同时在跟踪中容易受到运动模糊、形变和遮挡等因素干扰,从而产生复杂的外观变化,这些都为设计精确高效的视觉跟踪方法带来了巨大挑战。视觉跟踪的核心在于建立鲁棒高效的目标表观模型。由于缺乏目标的先验知识,因此如何利用场景中的时空上下文信息进行目标表观的建模尤为关键。时空上下文信息由时域和空域上下文信息两部分组成,其中时域信息包含历史帧跟踪到的目标、学习的分类器模型和样本的学习权重等内容;而空域上下文则定义为目标附近一定范围内的背景区域,不仅可以为表观模型的学习提供训练样本,同时能够增强视觉跟踪的稳定性。近年来,相关滤波(Correlation Filter,CF)跟踪方法凭借高效的计算效率得到了广泛研究,并取得主流跟踪方法的性能。然而,当前CF方法在利用时空上下文进行目标表观建模上仍存在不足:一方面,借助目标附近的空域上下文,CF方法可以通过图像金字塔策略实现目标的尺度估计,但却无法预测目标在跟踪中的宽高比变化,因此跟踪的准确度受到限制。同时,为缓解循环样本假设带来的样本边界不连续问题,CF方法采用余弦窗进行样本的预处理,但忽视了后者存在抑制空域上下文、污染训练样本的问题;另一方面,为应对目标在跟踪中的表观变化,CF方法借助历史帧的跟踪结果等时域信息更新模型,但不能同时实现高效率、低内存和自适应的更新策略。此外,如何在CF框架下自适应地借助时空上下文进行表观建模和跟踪,同样需要研究。基于此,本文基于相关滤波理论,通过研究时空上下文对表观建模的影响,设计鲁棒高效的跟踪方法。本文的创新点如下:(1)为解决CF方法不能处理目标的宽高比变化问题,提出结合边界和中心CF的跟踪模型。除通过中心CF定位目标位置外,借助空域上下文信息,设计多个边界CF分别对目标的四个边界位置进行预测,以灵活地应对目标的宽高比变化。为提升模型判别能力,提出一种近似正交正则化项,将所有CF集成到一个模型中同时学习。此外,提出一种优化算法求解模型,其中每个子问题均具有解析解,保证了算法的收敛速度。实验结果表明,相比于现有的尺度估计方法,提出的模型能够更好地处理目标的尺度和宽高比变化,同时在性能上超过主流的跟踪方法。(2)为解决CF框架中余弦窗组件存在抑制空域上下文、污染训练样本的问题,研究在CF模型中取消余弦窗的可行性和具体方法。首先通过实验验证了在空间正则化CF框架下去除余弦窗的可行性;接着在去除余弦窗的基础上,提出两种新的掩膜函数。通过对样本的估计误差进行重加权,掩模函数可以从空域上下文中选择合适的训练样本,以消除边界不连续样本对模型学习的负面影响。通过将提出的方法嵌入到多种典型的空间正则化CF框架中,实验结果表明,改进的空间正则化CF方法可以有效避免抑制空域上下文和污染训练样本,同时在性能上显著优于包含余弦窗的原始方法。(3)为解决CF方法不能同时实现高效率、低内存以及自适应的模型更新问题,从一个典型的CF方法出发,提出基于时空正则化约束的CF模型。通过提出的时域正则化项,算法能够自适应地将时域信息用于模型更新,从而得到鲁棒的CF模型。为实现模型求解,提出一种优化方法,能够实现CPU上实时的跟踪速度。此外,算法在跟踪时仅需要保存前一帧得到的模型,因此内存开销较低。多个数据集上的实验结果表明,算法能够同时实现高效率、低内存和自适应的模型更新,同时在性能上超过主流的视觉跟踪方法。(4)为解决CF方法不能自适应地借助时空上下文进行表观建模和跟踪的问题,提出一种自适应多时空上下文的CF框架。首先提出Sigmoid形式的空间权重函数,通过灵活地调整目标和空域上下文的权重约束值,以提升模型稳定性。接着将不同参数的空间权重函数分别集成到CF方法中,得到多个包含不同大小上下文区域的跟踪模型。在跟踪阶段,为自适应地借助时空上下文信息,将历史帧的样本学习权重作为时域约束项,提出了一种优化模型,不仅能预测目标位置,同时可为不同CF模型得到的跟踪响应图分配融合权重。实验结果表明,提出的方法能够自适应地借时空上下文进行表观建模和跟踪,并在性能上超过主流的跟踪方法。

关键词：视觉跟踪相关滤波目标表观模型时空上下文空间正则化

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络和嵌套网络的目标跟踪算法研究

基于卷积神经网络和嵌套网络的目标跟踪算法研究

引用

作者：杨向南华侨大学

学位级别：硕士

在过去的几十年里,目标跟踪算法由于其潜在的巨大研究和实用价值,一直受到计算机视觉领域中国内外同行的极大关注。目标跟踪算法的典型应用包括智能视频监控、自动驾驶车辆、以及人机交互等。给定一个目标物体的初始状态,目标跟踪算法... 详细信息

在过去的几十年里,目标跟踪算法由于其潜在的巨大研究和实用价值,一直受到计算机视觉领域中国内外同行的极大关注。目标跟踪算法的典型应用包括智能视频监控、自动驾驶车辆、以及人机交互等。给定一个目标物体的初始状态,目标跟踪算法的任务是在随后的视频中估计目标的状态。尽管经过了多年的努力,如何设计鲁棒的目标跟踪算法仍然是一个极具挑战性的问题,因为姿态变化、光照变化、遮挡、复杂的环境、以及移动的背景等都会造成目标表观的变化。传统基于手工设计特征或浅层分类器的目标跟踪算法,由于使用手工设计的底层视觉特征或浅层分类器来构建目标表观模型,因此对目标表观模型的语义信息预测能力有限。针对上述传统目标跟踪算法难以捕获目标表观模型中视觉数据语义信息的缺陷,受到深度卷积网络在图像分类和语音识别等任务中取得巨大成功的启发,本文提出了基于卷积神经网络和嵌套网络的目标跟踪算法,使用深度网络结构,通过学习和迁移中层图像特征表示来构建一个鲁棒的目标表观模型。本文具体内容如下:1)提出一个基于卷积神经网络的目标跟踪算法。传统基于手工设计特征的目标跟踪算法难以提取目标的语义信息,对于目标表观的剧烈变化没有很强的鲁棒性。不同于手工设计特征的方法,基于卷积神经网络的目标跟踪算法使用一种数据驱动的方式自动地学习更具判别性的特征,能够提取更加抽象的语义信息。语义信息使得算法对于目标的表观变化具有一定的鲁棒性,可以在一定程度上缓解漂移问题。该算法有效地将基于卷积神经网络的目标表观模型与粒子滤波框架结合起来。实验表明基于卷积神经网络的目标跟踪算法能够取得不错的跟踪效果。2)提出一个基于嵌套网络的目标跟踪算法。嵌套网络被用来构建目标表观模型,因为其可以出色地自动学习到深度层次特征。在本算法中,将目标跟踪看成是一种在线迁移学习过程,首先在源域任务中预训练嵌套网络,然后将由预训练得到的嵌套网络中间层参数迁移到具体的跟踪任务中。这个简单却有效的迁移方法使得基于嵌套网络的跟踪算法能够很好地解决训练中域改变的问题。同时为了缓解漂移问题,设计出了一种同时利用初始帧真实标注样本和在线获得的样本更新目标表观模型的方法。在实验中可以看出,基于嵌套网络的目标跟踪算法能够达到较为精确的跟踪效果。

关键词：目标跟踪卷积神经网络嵌套网络目标表观模型

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：