学位论文 > 优秀研究生学位论文题录展示

基于在线式学习的多目标视觉跟踪算法研究

作　者: 杨田雨
导　师: 胡超; 李抱朴
学　校:
专　业: 电子与通信工程
关键词: 在线学习多目标视觉跟踪自适应性重新捕获
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 39次
引　用: 0次
阅　读: 论文下载

内容摘要

视觉跟踪是计算机视觉领域中一项很有挑战性的研究。它在视频监控,人机交互,视讯索引,车载导航,交通状况监控等众多领域有着广泛的应用。由于受到环境复杂性,外观多变性,以及光照变化、遮挡等因素的影响,视觉跟踪面临很多问题需要解决。本文主要研究了两类多目标视觉跟踪算法,一类是基于不同类别的多目标视觉跟踪,这类跟踪事先不知道要跟踪的目标的类别,需要在跟踪前确定要跟踪的目标,然后在线训练分类器实现不同目标的跟踪,所以也叫在线式视觉跟踪；另一类是基于相同类别的多目标视觉跟踪,这类跟踪事先已经确定跟踪目标是同一类目标,然后提前训练好分类器检测出可能的目标,基于数据关联实现多目标的连续跟踪。对于第一类视觉跟踪,本文提出了一种具有自适应性和重新捕获能力的在线视觉跟踪算法。算法的跟踪器部分基于粒子滤波器跟踪框架,采用了一种在线式学习的支持向量机作为观察模型。算法的检测器部分采用基于随机厥的在线式分类算法,实现了目标的重新捕获。此外,论文还引入支持向量机算法的自我修复机制,通过模版匹配模型删除由于自适应导致的一些错误支持向量,限制错误样本的引入。算法的实验结果显示算法较其他算法在BoBoT数据集上占有优势,其他数据集上结果也比较有竞争力。对于第二类视觉跟踪,本文为每个目标初始化一个基于粒子滤波器的在线式跟踪器,以此关联检测的输出响应实现多目标的连续跟踪。由于惯性作用,快速运动的目标其运动方向不大可能发生较大转变,基于以上假设,我们把目标运动的速率加入到粒子权重的计算中,很好的处理了遮挡对目标跟踪的影响。论文还提出了一种简单有效的数据关联算法,该算法结合了在线式分类器的判定值、距离和尺寸等度量构建数据相关度,实现了检测响应和不同跟踪器的关联。算法的实验结果显示算法较该领域其他算法在MOTP性能上占有优势。

全文目录

摘要  5-6
Abstract  6-14
第一章引言  14-24
  1.1 研究背景和意义  14-15
  1.2 研究现状  15-21
    1.2.1 在线式视觉跟踪  15-20
    1.2.2 基于关联的多目标视觉跟踪  20-21
  1.3 论文的主要贡献  21-22
  1.4 论文的组织  22-24
第二章在线式视觉跟踪  24-52
  2.1 算法概述  24-26
  2.2 跟踪器  26-38
    2.2.1 图像特征  26-27
    2.2.2 状态空间  27
    2.2.3 初始化  27
    2.2.4 运动模型  27-28
    2.2.5 观察模型  28-36
    2.2.6 重采样  36
    2.2.7 SVM修复机制  36-38
  2.3 检测器  38-42
    2.3.1 图像特征  38
    2.3.2 级联分类器  38-42
  2.4 模版匹配模型  42-43
  2.5 实验结果  43-50
    2.5.1 数据集  43-45
    2.5.2 评估方法  45
    2.5.3 评估结果  45-49
    2.5.4 基于不同类别的多目标跟踪结果  49-50
  2.6 本章小结  50-52
第三章基于同类别的多目标视觉跟踪  52-68
  3.1 算法概述  52-53
  3.2 检测器  53-56
    3.2.1 CENTRIST特征  53-54
    3.2.2 检测器的训练  54-55
    3.2.3 检测器的测试  55-56
  3.3 跟踪器  56-60
    3.3.1 初始化和终止  57-58
    3.3.2 粒子滤波器  58
    3.3.3 在线学习算法  58-60
  3.4 数据关联  60-61
  3.5 实验结果  61-67
    3.5.1 数据集  61-62
    3.5.2 评估方法  62-64
    3.5.3 评估结果  64-67
  3.6 本章小结  67-68
第四章总结与展望  68-70
  4.1 研究工作总结  68-69
  4.2 未来工作展望  69-70
参考文献  70-78
文章发表和专利申请情况  78-79
简历  79-80
致谢  80

基于在线式学习的多目标视觉跟踪算法研究

内容摘要

全文目录

相似论文