基于顯著區(qū)域和主題模型的原目標(biāo)檢測(cè)和視覺目標(biāo)跟蹤.pdf

1、隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展和對(duì)實(shí)際應(yīng)用需求的擴(kuò)展，運(yùn)動(dòng)目標(biāo)的視覺跟蹤技術(shù)越來越吸引國(guó)內(nèi)外研究人員的關(guān)注，并廣泛地應(yīng)用于各個(gè)應(yīng)用領(lǐng)域，如安全監(jiān)測(cè)，機(jī)器人導(dǎo)航、智能交通和無人駕駛等。雖然，有關(guān)視覺跟蹤的研究已經(jīng)持續(xù)了好多年，但是各種噪聲因素，包括背景雜波，遮擋，分散，光照變化在實(shí)踐中依舊會(huì)出現(xiàn)問題，這些噪聲因素使視覺跟蹤變得更加具有挑戰(zhàn)性。
　　為了提高視覺跟蹤的魯棒性，減少跟蹤誤差率，本文提出了一種的生物激發(fā)框架——基于原目標(biāo)檢測(cè)的視

2、覺跟蹤。該方法在整個(gè)跟蹤過程中同時(shí)評(píng)估了目標(biāo)的狀態(tài)和原目標(biāo)的狀態(tài)，所以性能更優(yōu)越。本文的主要研究?jī)?nèi)容及成果如下：
　　首先對(duì)給定的圖像序列進(jìn)行顯著性檢測(cè)，通常情況下，目標(biāo)更可能會(huì)出現(xiàn)在高顯著值的地方。本文采用在基于底層信息特征和對(duì)象級(jí)語(yǔ)義之間的表示方法進(jìn)行顯著性檢測(cè)，結(jié)合了自底而上和自頂而下的注意力機(jī)制得到的顯著圖更接近人眼所能達(dá)到的提取程度。
　　其次，進(jìn)行原目標(biāo)檢測(cè)，本文采用基于分割算法和主題模型的原目標(biāo)檢測(cè)方法。比較多

3、種分割方法后，本文選用了歸一化分割算法，再利用概率潛在語(yǔ)義分析(PLSA)算法對(duì)分割區(qū)域進(jìn)行類別估計(jì)，揭示出主題，從而檢測(cè)出最終的原目標(biāo)。
　　接著，為了避免原目標(biāo)檢測(cè)過程中檢測(cè)結(jié)果對(duì)分割結(jié)果的過度依賴，本文對(duì)PLSA模型進(jìn)行改進(jìn)，提出了一種基于多尺度的概率潛在語(yǔ)義分析方法(Multi-Level-probabilistic Latent Semantic Analysis,ML-PLSA)。該算法能綜合多個(gè)尺度、多個(gè)方法的分割區(qū)

4、域，根據(jù)這一綜合結(jié)果提取出的原目標(biāo)準(zhǔn)確率更高。
　　最后，在獲得原目標(biāo)空間信息的基礎(chǔ)上，用貝葉斯算法對(duì)目標(biāo)進(jìn)行跟蹤，在整個(gè)跟蹤過程中，目標(biāo)和原目標(biāo)的狀態(tài)被聯(lián)合估計(jì)，因而目標(biāo)相關(guān)性更加穩(wěn)定。本文中，吉布斯抽樣被用來優(yōu)化跟蹤算法，EM算法被用來揭示主題并通過最大似然概率優(yōu)化主題分配，馬爾科夫鏈在跟蹤過程中可以推測(cè)目標(biāo)和原目標(biāo)的狀態(tài)。通過實(shí)驗(yàn)證明，本文提出的方法能魯棒地處理遮擋，分散和光照變化等問題，并且該方法在挑戰(zhàn)一些復(fù)雜的視覺任務(wù)時(shí)