朴素贝叶斯框架下基于线性随机测量的实时目标跟踪算法研究

摘要

视觉目标跟踪在实际应用中得到了广泛的研究,如智能视频监控、人机交互、智能交通、虚拟现实等。虽然大量的跟踪算法已被提出,但鲁棒和有效的视觉目标跟踪系统仍然是一个非常具有挑战性的问题,因为该系统需要能够应对由于姿态与光照变化、遮挡以及运动模糊等诸多因素所带来的影响,同时还要兼顾处理的实时性问题。
　　压缩感知理论中的线性随机测量技术能够在保证信息不损失的基础上极大压缩原数据,将其用于基于外观模型的视觉目标跟踪可兼顾跟踪的鲁棒性及实时性,具有较好的研究价值。本论文在对其进行深入研究的基础上,提出了基于局部区域相似度和外观模型再匹配的两种改进算法与一种基于加权分块的改进算法,在一定程度上提高了算法的跟踪精度和抗遮挡能力。整个论文的研究工作主要集中在以下四个方面:
　　1)提出了一种利用局部区域相似度匹配策略来提升基于线性随机测量的实时目标跟踪精度的改进算法。该算法使用稀疏测量矩阵提取候选目标的低维多尺度特征,在采用朴素贝叶斯分类器判别目标与背景实现粗跟踪的基础上,利用视频帧间候选目标内部区域所具有的相似性,实施基于动态目标外观模型的二次跟踪,在线定位最佳的跟踪目标位置。
　　2)提出了一种利用外观模型再匹配策略来提升基于线性随机测量的实时目标跟踪精度的改进算法。该算法将基于线性随机测量的实时目标跟踪算法中的分类器值H(v)值按降序排列,取前三十个候选目标,使用目标外观再匹配模型在线寻找最佳的跟踪位置,提高跟踪的精度。
　　3)提出了一种利用加权分块来提升线性随机测量抗遮挡问题的实时目标跟踪改进算法。该算法增加了遮挡处理机制,避免了遮挡发生时对分类器性能的影响。首先对跟踪目标进行模型划分,目标的每个子块模型单独训练各自的分类器。在下一帧中,利用训练好的分类器对候选目标样本的相应子块进行判别,根据分类器的得分值赋予不同的权重,得分值高的权重大,得分值最低的分类器将不会更新,有效地降低了被遮挡区域对目标跟踪的影响。
　　4)通过大量实验评估了本论文所提出的算法的有效性,并对所得实验结果进行了详细分析和对比说明。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本文的主要研究内容及结构安排

2 相关理论基础介绍

2.1 引言

2.2 朴素贝叶斯分类器

2.3 随机Haar-like特征

2.4 压缩感知理论

2.5 目标跟踪算法性能常用评价指标

2.6 本章小结

3 基于局域区域相似度与外观模型再匹配的目标跟踪改进算法

3.1 引言

3.2 基于线性随机测量的实时目标跟踪算法

3.3 基于局部区域相似度匹配的改进算法

3.4 基于外观模型再匹配的改进算法

3.5 本章小结

4 基于加权分块策略应对遮挡问题的目标跟踪改进算法

4.1 引言

4.2 基于加权分块的线性随机测量的实时目标跟踪算法

4.3 实验结果与分析

4.4 本章小结

5 总结与展望

5.1 本文工作总结

5.2 工作展望

参考文献

后记

附录：攻读硕士学位期间发表的部分学术论著