復(fù)雜環(huán)境下的單目視覺跟蹤方法研究.pdf

1、視頻目標(biāo)跟蹤一直以來作為計算機視覺領(lǐng)域的熱門領(lǐng)域,在多媒體應(yīng)用、安防、交通監(jiān)控、行為識別、虛擬現(xiàn)實中有廣泛的應(yīng)用。然而在實際中,由于復(fù)雜的環(huán)境干擾(遮擋、目標(biāo)本身形狀變化及光照變化),使得目標(biāo)準(zhǔn)確且快速的跟蹤成為計算機視覺研究領(lǐng)域中的一大挑戰(zhàn)。針對以上的問題,本文分別從三個框架:(1)背景更新框架;(2)檢測-聚類(DetectionbyGrouping)框架(特征點、特征區(qū)域)及(3)檢測-分類(DetectionbyClassifi

2、cation)框架(基于檢測和學(xué)習(xí)),來進(jìn)行研究。
　　對于背景更新模型框架,本文在分析了目前三種流行的背景更新模型(混合高斯模型(GMM),碼書模型(codebook),自適應(yīng)混合高斯模型(AdaptiveGMM))的基礎(chǔ)上,從背景更新時間及前景目標(biāo)的完備性上選擇AdaptiveGMM作為本文的前景檢測模型。但是AdaptiveGMM對于搖動的樹葉、噴泉、攝像機抖動等環(huán)境干擾的抑制性能還需要通過其他的條件約束進(jìn)一步提高,為此本文

3、從真實目標(biāo)運動方向的一致性出發(fā),在AdaptiveGMM前景檢測結(jié)果的基礎(chǔ)上先后加入運動模板估計及運動矢量(motion,后續(xù)以“motion”表述)平滑約束進(jìn)行目標(biāo)限制。得到了良好的前景檢測結(jié)果。但是基于前景的目標(biāo)跟蹤方法在攝像機不固定的情況下,AdaptiveGMM幾乎不可能得到比較好的背景,所以后續(xù)的motion約束就無法施展。為此本文在“DetectionbyGrouping”框架下進(jìn)一步進(jìn)行了研究。
　　對于“Detec

4、tionbyGrouping”框架,本章首先從特征點的選取入手,通過多種特征點(比如SIFT,SURF,BRIEF,ORB等)在光照不變性、尺度不變性、旋轉(zhuǎn)不變性及抗模糊和跟蹤準(zhǔn)確性上綜合得出相對較好的SURF。當(dāng)前,利用MeanShift做相鄰幀的數(shù)據(jù)關(guān)聯(lián)仍然是目標(biāo)跟蹤的主流,但是MeanShift算法存在以下問題:(1)初始窗口自適應(yīng)性差,(2)易受初始化目標(biāo)區(qū)域的影響,(3)易受目標(biāo)運動速度影響。所以本文研究將SURF與MeanS

5、hift進(jìn)行融合,提出了基于SURF和局部MeanShift的目標(biāo)跟蹤算法(SURF-LMS)。通過和MS進(jìn)行比較,跟蹤準(zhǔn)確性上得到了很大的改善。但是這種框架下,特征點很容易在相似鄰域內(nèi)發(fā)生漂移。
　　當(dāng)前,一些基于“DetectionbyClassification”框架的在線學(xué)習(xí)跟蹤算法相比上面提到的兩個框架下的算法具有更好的跟蹤性能。但是這些在線跟蹤算法仍然存在一些問題:(1)構(gòu)建目標(biāo)性狀(appearancemodel)所

6、用的全局目標(biāo)結(jié)構(gòu)在有遮擋、目標(biāo)性狀變化及光照變化的干擾下,很難獲得良好的跟蹤效果。(2)缺乏對當(dāng)前樣本的估計,導(dǎo)致一些“過學(xué)習(xí)”現(xiàn)象的發(fā)生。(3)缺少合適的motion模型去優(yōu)化目標(biāo)的定位。為了解決這些問題,本文提出了基于樣本選擇和幾何約束的分塊OnlineAdaBoost目標(biāo)跟蹤算法(簡稱P-OAB-MW)。主要的貢獻(xiàn)為三個方面:(1)一個新穎的局部分塊結(jié)構(gòu)被應(yīng)用于OnlineAdaBoostTracking(OAB)跟蹤算法中。(2