局部纹理特征及其在对象跟踪中的应用

摘要

对象跟踪是计算机视觉领域中的核心问题之一，而对象特征提取算法的优劣直接影响跟踪的适应性、健壮性及实时性，因此本文重点研究对象特征提取中应用最广泛的特征提取算法之一—局部纹理特征，并研究其在对象跟踪中的应用。主要工作包括以下三个方面：
　　第一，基于局部二值模式（LBP）及其若干变种算法，提出一种新的局部纹理特征提取算法——完全局部三值模式（Completed Local Ternary Patterns，CLTP），对均匀模式的 CLTP直方图进行离散傅里叶变换，以构建其直方图傅里叶特征（CLTP_HF），增强其对旋转的鲁棒性。大量对比实验证明：与若干优秀的 LBP变种算法相比，CLTP在旋转及光照变化条件下具有更强的纹理分类能力；构建均匀模式的CLTP直方图傅里叶特征能够有效提高CLTP的纹理分类能力。
　　第二，基于传统 Mean Shift算法及其若干改进算法，提出基于颜色与 CLTP融合直方图的 Mean Shift跟踪算法。新算法的主要优势包括：①提出基于颜色与CLTP融合直方图的目标对象模型，使目标对象模型能够反映更多的对象结构信息；②利用修正的背景赋权机制在线更新目标对象模型，能降低背景对目标对象定位的干扰；③利用改进的背景更新机制对背景模型进行在线更新，以反映实际环境中不断变化的背景。大量公开视频库上的对比实验证明：相比于其它 Mean Shift改进算法，本算法能够有效跟踪复杂背景、光照变化、遮挡等情况下的目标对象。
　　第三，将CLTP纹理特征应用到实时压缩跟踪算法。与基于LBP特征、Haar特征的压缩跟踪算法的对比实验表明，与基于LBP特征的压缩跟踪算法相比，基于CLTP特征的压缩跟踪算法具有显著优势。此外，与基于Haar特征的压缩跟踪算法相比，基于CLTP特征的压缩跟踪算法对光照、遮挡等具有更强的鲁棒性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 引言

1.1研究背景及意义

1.2应用前景

1.3技术难点

1.4主要研究内容及论文结构

第二章 对象跟踪概述

2.1对象跟踪分类

2.2对象跟踪框架

2.3本章小结

第三章 局部纹理特征提取

3.1局部二值模式

3.2局部二值模式变种算法

3.3完全局部三值模式

3.4实验验证

3.5本章小结

第四章 改进的Mean Shift跟踪算法

4.1传统Mean Shift跟踪算法简介

4.2修正的背景赋权直方图

4.3基于颜色与CLTP融合直方图的Mean Shift跟踪算法

4.4实验验证

4.5本章小结

第五章 基于CLTP纹理特征的压缩跟踪算法

5.1压缩跟踪算法

5.2基于CLTP纹理特征的压缩跟踪算法

5.3实验验证

5.4本章小节

第六章 总结与展望

致谢

参考文献

攻读硕士研究生期间的研究成果