结构化的表观模型及两阶段目标跟踪算法研究

摘要

目标跟踪在图像理解、人机交互、智能监控、机器人学等方面有着广泛的应用。目前，虽然许多目标跟踪算法已被提出并取得显著进展，但由于受光照变化、遮挡、姿势改变及背景扰动等因素的影响，要设计出一个强健的跟踪算法仍是一个极具挑战性的问题。　　本文针对动态场景中使用固定模板进行跟踪容易丢失目标的问题以及利用动态模型估计目标位置时产生的漂移问题，提出一种改进的基于偏最小二乘法的两阶段目标跟踪方法。该方法利用偏最小二乘分析法对在高维特征空间中搜集的正负样本降维，获得特征子空间构建目标表观模型集。跟踪在贝叶斯推理框架下进行：在初始跟踪阶段，利用粒子滤波原理及似然函数估计目标的初步位置；在校正阶段，采用一种适应性的基准模型确定最终的目标位置。对一些视频序列的实验结果分析证明本文中所提出改进方法的有效性。针对上述影响因素，提出一种基于结构化熵表观模型的跟踪方法。采用纹理特征中的熵特征和分块相结合的方法，用局部块表示目标的整个结构。通过研究分析朴素贝叶斯分类器，将获得的结构化熵表观模型与该分类器相结合，最后在两阶段级联的贝叶斯推理框架下进行跟踪：在粗略搜索阶段进行粗粒度搜索，获取已接近准确的目标位置的候选样本；在精确搜索阶段进行细粒度搜索对上述获得的目标位置进行校正。对不同视频序列的实验结果分析证明本文中所提出方法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景及意义

1.2 研究现状与待解问题

1.3 常见的目标跟踪算法概述

1.4 本文主要工作与结构

第2章 目标跟踪中的相关知识

2.1 视觉特征表示

2.2 监督式学习

2.3 跟踪-检测的统计建模

第3章 基于适应性基准模型的两阶段跟踪算法

3.1 偏最小二乘法降维

3.2 粒子滤波采样

3.3 适应性的基准模板

3.4 跟踪算法

3.5 实验结果及分析

3.6 本章小结

第4章 基于结构化熵表观模型的两阶段跟踪算法

4.1 结构化的熵特征表观模型

4.2 分类器的构造和更新

4.3 两阶段级联的跟踪算法

4.4 实验结果及分析

4.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和获得的科研成果

致谢