基于稀疏編碼形狀分類和隨機(jī)游走模型的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤研究.pdf

1、在對(duì)復(fù)雜背景視頻中的目標(biāo)進(jìn)行跟蹤時(shí)，目標(biāo)失敗的很大一部分原因是受到目標(biāo)周?chē)尘耙约澳繕?biāo)本身外觀變化的干擾，而且，當(dāng)攝像機(jī)運(yùn)動(dòng)時(shí)，運(yùn)動(dòng)目標(biāo)的初始檢測(cè)也會(huì)變得更加復(fù)雜，這些因素綜合起來(lái)使得視頻中的魯棒跟蹤問(wèn)題變得十分困難，本文以稀疏表達(dá)理論和隨機(jī)游走模型為基礎(chǔ)，以目標(biāo)跟蹤過(guò)程中的背景信息抑制為切入點(diǎn)，并融合目標(biāo)形狀特征信息，對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤進(jìn)行了深入的研究。論文的主要內(nèi)容如下:
　　第一章闡述了視覺(jué)目標(biāo)跟蹤研究的背景、意義和目的，

2、對(duì)目標(biāo)跟蹤中相關(guān)理論方法的研究現(xiàn)狀做了歸納總結(jié)，分析了跟蹤中仍然存在的一些問(wèn)題，并針對(duì)這些問(wèn)題給出了本課題的主要研究?jī)?nèi)容。
　　第二章對(duì)運(yùn)動(dòng)云臺(tái)攝像機(jī)下的運(yùn)動(dòng)檢測(cè)方法做了研究，提出了一種基于時(shí)空?qǐng)D像異常邊緣分析的運(yùn)動(dòng)檢測(cè)算法，為運(yùn)動(dòng)攝像機(jī)下的運(yùn)動(dòng)目標(biāo)檢測(cè)開(kāi)拓了新的思路，并在實(shí)際測(cè)試中取得了較好的效果。算法的主要流程為首先根據(jù)中值流跟蹤法估計(jì)出相鄰視頻幀間的垂直運(yùn)動(dòng)位移，將連續(xù)幾幀圖像中的相對(duì)應(yīng)的行組合在一起形成時(shí)空?qǐng)D像，然后對(duì)時(shí)空

3、圖像中的邊緣根據(jù)其斜率做聚類分析，分析每個(gè)類中的邊緣數(shù)量和邊緣分布的離散度，得到邊緣分布比較集聚的類，將這些類所在的區(qū)域判定為真正的運(yùn)動(dòng)目標(biāo)所在的區(qū)域。算法在多種實(shí)際場(chǎng)景下采集的視頻序列中做了測(cè)試，實(shí)驗(yàn)結(jié)果表明，算法比其他經(jīng)典的算法在遮擋、背景干擾、不同的相機(jī)旋轉(zhuǎn)速度等方面更加魯棒。
　　第三章在最新的形狀特征分類方法的基礎(chǔ)上提出了一種更加快速有效的形狀特征描述算子。新的描述子由輪廓段重心與輪廓段中不同部分的輪廓點(diǎn)之間的距離和組成

4、，在本質(zhì)上具有旋轉(zhuǎn)、平移、縮放不變性。此外，利用能夠有效模擬哺乳動(dòng)物視覺(jué)系統(tǒng)V1區(qū)簡(jiǎn)單細(xì)胞響應(yīng)機(jī)制的稀疏編碼理論來(lái)對(duì)每個(gè)輪廓段的特征向量進(jìn)行編碼，并且通過(guò)空間金字塔匹配對(duì)編碼值進(jìn)行空間最大值池化，以充分挖掘目標(biāo)的全局與局部空間結(jié)構(gòu)信息。最后，使用SVM分類器來(lái)實(shí)現(xiàn)形狀分類。提出的算法在一些國(guó)際著名形狀數(shù)據(jù)庫(kù)上做了實(shí)驗(yàn)，結(jié)果表明，提出的算法比其他的相關(guān)算法效果更好，在保證較高分類準(zhǔn)確度的同時(shí)大大提高了執(zhí)行效率。
　　第四章針對(duì)復(fù)雜背

5、景下目標(biāo)跟蹤的背景信息抑制問(wèn)題，提出了基于結(jié)構(gòu)化局部稀疏表達(dá)的背景分析方法，能夠?qū)δ繕?biāo)周?chē)膮^(qū)域進(jìn)行正確的分析與判別，找出其中真正屬于背景的區(qū)域。提出在跟蹤目標(biāo)周?chē)扇舾蓚€(gè)粒子群區(qū)域，通過(guò)結(jié)構(gòu)化局部稀疏表達(dá)理論計(jì)算這些粒子的權(quán)重，綜合粒子的權(quán)重形成各個(gè)區(qū)域權(quán)重，根據(jù)各區(qū)域的權(quán)重大小篩選出幾個(gè)最有可能屬于背景的區(qū)域，在目標(biāo)模型中將這幾個(gè)區(qū)域中的信息加以抑制來(lái)增強(qiáng)目標(biāo)模型的抗干擾能力。而且，在每一幀中根據(jù)跟蹤結(jié)果的可靠性程度決定是否將新的

6、目標(biāo)信息添加進(jìn)模型之中，在保證模型信息全面的前提下盡可能的避免受到背景信息的污染。此外，還提出一種反向投影圖中的加權(quán)搜索方法，將大概率的點(diǎn)賦予更高的權(quán)重，通過(guò)在目標(biāo)周?chē)^大區(qū)域中的搜索來(lái)解決傳統(tǒng)跟蹤中的局部最優(yōu)問(wèn)題。提出的跟蹤算法在國(guó)際標(biāo)準(zhǔn)數(shù)據(jù)集及實(shí)際場(chǎng)景中采集的視頻序列中做了測(cè)試，實(shí)驗(yàn)結(jié)果表明，算法可以適應(yīng)目標(biāo)外觀的變化，并對(duì)背景的干擾較為魯棒。
　　第五章針對(duì)監(jiān)控視頻中較小的人體目標(biāo)跟蹤問(wèn)題將具有弱邊界特性的隨機(jī)游走圖像分割方

7、法引入到跟蹤之中，能夠根據(jù)分割結(jié)果的分布形態(tài)判別出人體目標(biāo)區(qū)域，提高跟蹤魯棒性。提出在目標(biāo)及其周?chē)尘皡^(qū)域均勻的選取四層種子點(diǎn)，每層六個(gè)種子點(diǎn)，分別分配六個(gè)標(biāo)簽，然后利用隨機(jī)游走算法分別對(duì)每層種子點(diǎn)進(jìn)行圖像分割，最后合并四層種子點(diǎn)的分割結(jié)果作為最終的結(jié)果。然后在分割結(jié)果中選取與人體形態(tài)相近的區(qū)域作為目標(biāo)區(qū)域，并利用主成分分析的方法進(jìn)一步篩選出在垂直方向上分布的人體區(qū)域，并在目標(biāo)模型中將非目標(biāo)區(qū)域中的信息加以抑制，凸顯出目標(biāo)的特有特征。提

8、出的算法在一些標(biāo)準(zhǔn)數(shù)據(jù)集和在停車(chē)場(chǎng)采集的視頻序列中做了實(shí)驗(yàn)，取得了較好的跟蹤結(jié)果。
　　第六章將提出的形狀特征表達(dá)方法融入到跟蹤框架中，形成一套完整的跟蹤策略。具體的融合方法是在跟蹤過(guò)程中對(duì)跟蹤結(jié)果根據(jù)其邊緣曲線的形狀特征進(jìn)行分類，收集一定數(shù)量的分類結(jié)果作為分類結(jié)果集合，將當(dāng)前幀中得到的分類結(jié)果與集合中的結(jié)果進(jìn)行比較，判斷其是否與之前的目標(biāo)類型一致，根據(jù)分類結(jié)果和跟蹤結(jié)果的可靠性來(lái)決定是否更新目標(biāo)模型。融合了形狀特征表達(dá)方法的跟蹤