基于機(jī)器學(xué)習(xí)的目標(biāo)檢測與跟蹤算法研究.pdf

1、智能視頻監(jiān)控是機(jī)器視覺領(lǐng)域一個(gè)頗具應(yīng)用價(jià)值的研究方向,被廣泛地應(yīng)用于航空、交通、公共安全等方面。作為視頻監(jiān)控中最基礎(chǔ)的環(huán)節(jié)-目標(biāo)的檢測與跟蹤技術(shù),一直以來更是人們關(guān)注的熱點(diǎn)問題。目標(biāo)是否能夠被成功跟蹤主要取決于能否成功將目標(biāo)從它周圍環(huán)境中分割出來,因此可以把目標(biāo)的檢測與跟蹤問題轉(zhuǎn)換成二分類問題,只要找到合適的特征和判別分類器就可以實(shí)現(xiàn)高效準(zhǔn)確的跟蹤。
　　然而,視頻序列中目標(biāo)的準(zhǔn)確檢測與跟蹤是一個(gè)頗具挑戰(zhàn)性的任務(wù),其中制約跟蹤效果

2、的最大因素莫過于目標(biāo)的外觀變化,包括姿勢和形狀等內(nèi)因變化,以及光照、移位、相機(jī)視角及遮擋等外因變化。針對(duì)以上問題,本文對(duì)目標(biāo)檢測與跟蹤展開研究,從機(jī)器學(xué)習(xí)的角度,將目標(biāo)的檢測與跟蹤視為一個(gè)二分類問題。
　　本文的工作主要包括兩部分。第一,目標(biāo)模型的表述。為了全面有效地表述目標(biāo),深入分析了尺度不變特征變換(Scale Invariable Feature Transform,SIFT)、PCA-SIFT、SURF(Speed Up

3、Robust Feature)、DAISY等特征算子,對(duì)比各種特征算法的優(yōu)缺點(diǎn)和應(yīng)用場合,最終選擇利用多尺度空間的高斯差分(DoG)檢測圖像中的特征點(diǎn),然后利用DAISY特征描述子對(duì)目標(biāo)圖像進(jìn)行描述。使目標(biāo)模型對(duì)旋轉(zhuǎn)、視角、尺度具有不變性,對(duì)光照和局部遮擋有一定的穩(wěn)定性。
　　第二,分類器的設(shè)計(jì)。重點(diǎn)研究了近年來熱門的隨機(jī)森林分類器,在此基礎(chǔ)上,引入霍夫變換的隨機(jī)森林,即霍夫森林(Hough Forest)作為區(qū)分目標(biāo)和背景的判別

4、分類器。將圖像塊和其對(duì)應(yīng)的類別標(biāo)記作為霍夫森林分類器的訓(xùn)練數(shù)據(jù),通過結(jié)構(gòu)性的訓(xùn)練和學(xué)習(xí),生成霍夫森林相應(yīng)的結(jié)構(gòu)參數(shù),把目標(biāo)圖像塊和背景圖像塊分開,相應(yīng)的霍夫森林的各葉節(jié)點(diǎn)就形成了判別式的碼本集。為了提高目標(biāo)模型的對(duì)目標(biāo)和背景變化的自適應(yīng)性,文中提出了一種新的模型更新方法,即在后續(xù)視頻序列中,利用新標(biāo)記的圖像塊與模型碼本中的圖像塊的相似性測量對(duì)模型進(jìn)行更新。實(shí)驗(yàn)證明,將快速有效的DAISY描述子和識(shí)別率高、魯棒性強(qiáng)的霍夫森林分類器相結(jié)合,