基于最大池图匹配的形变目标跟踪方法

摘要

随着大数据时代的到来，计算机技术和网络技术突飞猛进的发展，计算机视觉技术成为信息科学研究领域的重要课题。而作为诸多计算机视觉高层应用的基础，视觉跟踪技术也越来越受到国内外研究者的重视。根据实际应用，视觉跟踪主要分为两个大的方向:单目标跟踪和多目标跟踪。虽然研究者在单目标跟踪课题上做了大量的研究，但是目标在运动过程中所包含的各种信息以及场景限制并未得到充分挖掘。单目标跟踪过程中，目标可能会产生巨大形变或者面临严重遮挡，此时目标的外观会发生巨大变化，这种情况下如果继续使用传统的整体框(bounding box)来描述目标，势必会滤掉前景目标部分或者引入背景噪声，无法给出精确的目标表达。本文针对单目标跟踪进行相应研究和探讨，就跟踪过程中出现的关键技术难题，提出了基于部件的最大池图匹配的跟踪方法(Max-pooling Graph matching based Tracker，MGT)。文章的主要内容总结如下:
　　(1)不同于基于目标整体模型的算法，本文算法基于目标部件模型，采用动态图结构表示目标部件，即目标部件的表象特征（表象信息），以及它们之间的相对位置关系（结构信息）。对于目标搜索区域，算法基于图像分割技术提取出超像素候选目标部件建立候选图，并与建立好的的目标图模型进行匹配。
　　(2)图匹配策略采用最大池(max-pooling)图匹配方法，即目标图匹配对中的每一个节点支持项都只使用候选图中的最大池支持项，并将其相关结构一致性分数作为匹配似然度，建立起目标图模型和候选图之间的部件匹配关系。在此基础上得到目标位置的置信图(confidence map)，通过采样可以确定目标的最优位置。
　　(3)最后，为了避免仅考虑局部目标部件的贡献造成的鉴别力不够，我们引入了整体目标的特征表达参与目标位置投票，以提高跟踪鲁棒性。

目录

声明

致谢

摘要

第一章 绪论

1．1 课题背景及研究意义

1．2 国内外研究现状

1．3 本文的研究思路

1．4 本文的章节安排

第二章 相关基础理论研究

2．1 基于超像素的图像分割算法

2．1．1 超像素分割的概念

2．1．2 基于简单线性迭代聚类算法的超像素分割

2．2 基于光流的特征向量提取

2．2．1 光流及光流场的概念

2．2．2 光流场模型

2．2．3 基于梯度的光流场的计算

2．3 图匹配

2．3．1 图结构

2．3．2 图同构与子图同构

2．3．3 图匹配算法

2．4 基于图割算法的图像分割

2．5 本章小结

第三章 构建候选目标图

3．1 图像分割中马尔科夫随机场模型的建立

3．2 建立动态图结构

3．3 基于马尔科夫随机场的候选目标部件提取

3．3．1 一元能量项

3．3．2 二元能量项

3．4 本章小结

第四章 基于最大池图匹配的在线跟踪模型

4．1 图匹配最优化建模

4．2 图匹配策略

4．3 最大池图匹配

4．3．1 求和池匹配算法

4．3．2 最大池图匹配算法

4．3．3 最大池图匹配算法的指标

4．4 计算目标位置

4．5 模型更新

4．6 本章小结

第五章 跟踪算法性能评估

5．1 实验参数设置

5．2 实验结果分析

5．2．1 剧烈形变

5．2．2 严重遮挡

5．2．3 不规则运动

5．2．4 尺度变化

5．3 参数分析

5．4 本章小结

第六章 结论与展望

6．1 结论

6．2 展望

参考文献

攻读硕士学位期间的学术活动及成果情况