基于特征学习与特征联想的视觉跟踪算法研究

摘要

基于视觉的目标跟踪是计算机视觉领域中的热门课题和难题。它旨在采用计算机来跟踪视频中的运动目标。在智能视频监控、图像压缩、医疗诊断等方面，视觉跟踪具有广阔的研究意义与应用前景。目前，尽管实现目标跟踪的方法众多，但仍然有许多问题有待解决。
　　 本文以基于人类视觉认知进行视觉跟踪算法设计为基本出发点，模拟人类视觉在识别跟踪目标过程中的特征学习和特征联想性，对人类视觉进行目标识别与跟踪的过程进行全面的分析；提出视觉跟踪中特征学习和特征联想的概念；建立完整的基于特征学习与特征联想(Feature-Learning and Feature-Imagination，以下简称FLFI)的视觉跟踪算法的一般理论体系，并尝试将其应用于人体跟踪。基于FLFI的视觉跟踪算法在传统算法中融合人类视觉的思维方式，打破了当前视觉跟踪算法设计的思维定式，有着广泛的理论和应用前景。本文的主要工作和贡献如下：
　　 1.从认知科学和认知心理学的角度分析了人类视觉的智能特点，探讨了人类视觉系统的目标跟踪模式，阐述了人类视觉中注意性、学习性、记忆性和联想性的思维特点，在此基础上给出了基于FLH的视觉跟踪框架。该框架在传统的视觉跟踪框架中引入了人类视觉的学习和联想的思维特点。
　　 2.结合人类视觉系统的智能特点，给出了变姿态目标的特征表达方法，该方法在传统的基于向量的特征表达方式中引入了状态空间的概念。我们采用动态加权更新的方法实时学习变姿态目标在不同状态下的特征，然后在此基础上进一步提出了一种基于人类视觉特征联想特性的视觉跟踪模型，并给出了通用的推理和模型参数的训练方法。
　　 3.结合当前人体跟踪的研究现状和技术方法，对基于FLFI的视觉跟踪框架进行了简化，给出了一种基于FLFI的人体跟踪方法。该方法运用特征学习提取目标初始时的特征，通过特征匹配判断目标是否被遮挡。在目标被遮挡后，则利用基于特征联想的匹配方法恢复对目标的跟踪。这种方法只需要在初始时指定目标的状态，在跟踪过程中无需进行人体姿态识别及遮挡过程中的目标定位。
　　 4.为了将基于FLFI的视觉跟踪框架更好的应用于人体跟踪，本文对视觉跟踪中的人体姿态识别和遮挡问题进行了深入的研究和讨论。在人体姿态识别中，提出了一种基于人体头肩分割的人体位姿估计算法。该算法针对直立行走的人体，将人体位姿分为6个状态，利用人体在2D成像时的规律和特点，估计人体位姿。对于遮挡问题，则采用直方图匹配和基于分块的局部特征匹配相结合的方法来处理。
　　 最后，本文介绍了实验室视觉小组成员合作研发的智能视频监控系统。

目录

文摘

英文文摘

图表目录

第1章 绪论

1.1 研究背景与意义

1.2 视觉跟踪简述

1.3 运动分析技术的研究现状

1.3.1 运动检测

1.3.2 目标分类

1.3.3 目标跟踪

1.3.4 行为理解与描述

1.4 运动目标跟踪技术综述

1.4.1 基于模板匹配的跟踪算法

1.4.2 基于均值漂移的跟踪算法

1.4.3 运动目标跟踪技术的发展趋势

1.4.4 该领域存在的几个重要问题

1.5 论文的研究内容和拟解决的关键问题

1.6 论文的主要结构和章节安排

第2章 基于FLFI的视觉跟踪框架

2.1 引言

2.2 人的智能特点

2.3 人类视觉系统的跟踪模式

2.4 基于FLFI的视觉跟踪框架

2.5 本章小结

第3章 特征学习方法与特征联想模型

3.1 引言

3.2 运动目标的特征表达方法

3.3 特征学习的方法

3.4 H(S)更新过程中a值选择的讨论

3.5 特征联想模型

3.5.1 特征联想的数学模型

3.5.2 特征联想模型中的参数获取

3.5.3 特征联想模型中的模式匹配问题

3.5.4 特征联想模型的T作机理和相关讨论

3.6 本章小结

第4章 基于FLFI的人运动跟踪

4.1 引言

4.2 人运动中的特征表达方法

4.3 人运动中的特征学习方法

4.4 人运动中的特征联想方法

4.5 实验结果与分析

4.6 本章小结

第5章 人运动中的位姿估计和遮挡处理方法

5.1 引言

5.2 人体位姿估计算法

5.2.1 人体轮廓特征的数学建模

5.2.2 人体头部的定位方法

5.2.3 人体头部位姿的计算

5.2.4 人体躯干位姿的计算

5.2.5 人目标位姿所属状态的判别

5.3 遮挡处理方法

5.3.1 遮挡趋势的判断

5.3.2 灰度信息的表达方法

5.3.3 遮挡时的处理方法

5.3.4 判断遮挡是否结束

5.4 实验结果与分析

5.4.1 人体位姿估计的实验分析

5.4.2 遮挡处理算法的实验结果与分析

5.5 本章小结

第6章 智能视频监控系统的研究与开发

6.1 引言

6.2 系统框架

6.3 系统中的运动分析算法

6.3.1 前景检测算法

6.3.2 阴影滤除算法

6.3.3 连通区域标记与聚类

6.3.4 特征跟踪算法

6.4 本章小结

第7章 总结与展望

7.1 论文总结

7.2 工作展望

参考文献

致谢

攻博期间的主要研究成果及发表的论文