本文選題：運(yùn)動檢測　切入點(diǎn)：目標(biāo)跟蹤　出處：《浙江大學(xué)》2017年博士論文

【摘要】：在對復(fù)雜背景視頻中的目標(biāo)進(jìn)行跟蹤時,目標(biāo)失敗的很大一部分原因是受到目標(biāo)周圍背景以及目標(biāo)本身外觀變化的干擾,而且,當(dāng)攝像機(jī)運(yùn)動時,運(yùn)動目標(biāo)的初始檢測也會變得更加復(fù)雜,這些因素綜合起來使得視頻中的魯棒跟蹤問題變得十分困難,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,對運(yùn)動目標(biāo)檢測與跟蹤進(jìn)行了深入的研究。論文的主要內(nèi)容如下:第一章闡述了視覺目標(biāo)跟蹤研究的背景、意義和目的,對目標(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題,并針對這些問題給出了本課題的主要研究內(nèi)容。第二章對運(yùn)動云臺攝像機(jī)下的運(yùn)動檢測方法做了研究,提出了 一種基于時空圖像異常邊緣分析的運(yùn)動檢測算法,為運(yùn)動攝像機(jī)下的運(yùn)動目標(biāo)檢測開拓了新的思路,并在實(shí)際測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)動位移,將連續(xù)幾幀圖像中的相對應(yīng)的行組合在一起形成時空圖像,然后對時空圖像中的邊緣根據(jù)其斜率做聚類分析,分析每個類中的邊緣數(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)動目標(biāo)所在的區(qū)域。算法在多種實(shí)際場景下采集的視頻序列中做了測試,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,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物視覺系統(tǒng)V1區(qū)簡單細(xì)胞響應(yīng)機(jī)制的稀疏編碼理論來對每個輪廓段的特征向量進(jìn)行編碼,并且通過空間金字塔匹配對編碼值進(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分類器來實(shí)現(xiàn)形狀分類。提出的算法在一些國際著名形狀數(shù)據(jù)庫上做了實(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)確度的同時大大提高了執(zhí)行效率。第四章針對復(fù)雜背景下目標(biāo)跟蹤的背景信息抑制問題,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)周圍的區(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)周圍生成若干個粒子群區(qū)域,通過結(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)重形成各個區(qū)域權(quán)重,根據(jù)各區(qū)域的權(quán)重大小篩選出幾個最有可能屬于背景的區(qū)域,在目標(biāo)模型中將這幾個區(qū)域中的信息加以抑制來增強(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,通過在目標(biāo)周圍較大區(qū)域中的搜索來解決傳統(tǒng)跟蹤中的局部最優(yōu)問題。提出的跟蹤算法在國際標(biāo)準(zhǔn)數(shù)據(jù)集及實(shí)際場景中采集的視頻序列中做了測試,實(shí)驗(yàn)結(jié)果表明,算法可以適應(yīng)目標(biāo)外觀的變化,并對背景的干擾較為魯棒。第五章針對監(jiān)控視頻中較小的人體目標(biāo)跟蹤問題將具有弱邊界特性的隨機(jī)游走圖像分割方法引入到跟蹤之中,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)及其周圍背景區(qū)域均勻的選取四層種子點(diǎn),每層六個種子點(diǎn),分別分配六個標(biāo)簽,然后利用隨機(jī)游走算法分別對每層種子點(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。提出的算法在一些標(biāo)準(zhǔn)數(shù)據(jù)集和在停車場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程中對跟蹤結(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)方法的跟蹤策略在極具挑戰(zhàn)性的航拍視頻中做了測試,算法表現(xiàn)出了很好的魯棒性。第七章對全文做了總結(jié)。簡要論述了本課題的主要研究內(nèi)容、結(jié)論以及創(chuàng)新點(diǎn),并對接下來的研究工作做了展望。
[Abstract]:......
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王家華;周潤;;自回避隨機(jī)游走算法的研究與應(yīng)用[J];軟件導(dǎo)刊;2010年11期

2 陳君華;胡昌振;;基于隨機(jī)游走的蠕蟲網(wǎng)絡(luò)演化研究[J];信息網(wǎng)絡(luò)安全;2009年07期

3 吳迪;周利娟;林鴻飛;;基于隨機(jī)游走的就業(yè)推薦系統(tǒng)研究與實(shí)現(xiàn)[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年01期

4 李星;鐘志農(nóng);李洋;;一種隨機(jī)游走中心性的快速算法[J];計(jì)算機(jī)應(yīng)用研究;2013年08期

5 蘇浩航;張義門;張玉明;解敏;滿進(jìn)財(cái);;基于改進(jìn)的壓縮式隨機(jī)游走算法對靜態(tài)電源/地網(wǎng)的模擬[J];計(jì)算物理;2007年06期

6 任磊;杜建邦;邵春江;;光纖慣導(dǎo)角度隨機(jī)游走誤差傳播特性研究[J];宇航學(xué)報(bào);2013年05期

7 劉陽;季新生;劉彩霞;;網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)優(yōu)化:基于隨機(jī)游走的邊權(quán)預(yù)處理方法[J];電子與信息學(xué)報(bào);2013年10期

8 曹穎;郝欣;朱曉恩;夏順仁;;基于自動隨機(jī)游走的乳腺腫塊分割算法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2011年10期

9 李靖;冀中;;圖像多樣性重排序技術(shù)綜述[J];信息技術(shù);2013年06期

10 劉輝;;基于隨機(jī)游走算法的社交網(wǎng)絡(luò)構(gòu)建[J];湖北成人教育學(xué)院學(xué)報(bào);2014年01期

相關(guān)會議論文 前10條

1 鄭偉;王朝坤;劉璋;王建民;;一種基于隨機(jī)游走模型的多標(biāo)簽分類算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集A輯一[C];2010年

2 張世學(xué);吳恩華;;基于形狀特征與變形保持的動態(tài)模型簡化[A];中國計(jì)算機(jī)圖形學(xué)進(jìn)展2008--第七屆中國計(jì)算機(jī)圖形學(xué)大會論文集[C];2008年

3 高劑斌;李裕梅;;基于復(fù)雜網(wǎng)絡(luò)的圖像形狀特征提取及多特征融合方案探究[A];中國系統(tǒng)工程學(xué)會第十八屆學(xué)術(shù)年會論文集——A12系統(tǒng)科學(xué)與系統(tǒng)工程理論在各個領(lǐng)域中的應(yīng)用研究[C];2014年

4 朱松豪;羅青青;梁志偉;;一種改進(jìn)圖像標(biāo)注的新方法[A];第24屆中國控制與決策會議論文集[C];2012年

5 胡帆;廖斌;薛巧平;;基于輪廓的形狀特征提取方法[A];2011年通信與信息技術(shù)新進(jìn)展——第八屆中國通信學(xué)會學(xué)術(shù)年會論文集[C];2011年

6 路陽;董宏麗;;基于MATLAB實(shí)現(xiàn)水稻顆粒圖像形狀特征分析[A];黑龍江省計(jì)算機(jī)學(xué)會2007年學(xué)術(shù)交流年會論文集[C];2007年

7 李連;朱愛紅;;基于形狀的圖像檢索技術(shù)研究[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會議論文集[C];2004年

8 尚麗;;使用正態(tài)可逆高斯密度模型的非負(fù)稀疏編碼收縮技術(shù)實(shí)現(xiàn)圖像消噪[A];蘇州市自然科學(xué)優(yōu)秀學(xué)術(shù)論文匯編(2008-2009)[C];2010年

9 甘俊英;趙向陽;張有為;;視覺語言特征—灰度輪廓權(quán)向量差分形狀特征[A];圖像 仿真 信息技術(shù)——第二屆聯(lián)合學(xué)術(shù)會議論文集[C];2002年

10 劉揚(yáng);程健;盧漢清;;基于目標(biāo)局部特征的遷移式學(xué)習(xí)[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

相關(guān)重要報(bào)紙文章 前2條

1 長盛基金管理有限公司研究部副總監(jiān) 李驥;投資自己熟悉的股票[N];證券時報(bào);2006年

2 程春;畫面清新自然 寓意美好吉祥[N];中國集郵報(bào);2014年

相關(guān)博士學(xué)位論文 前10條

1 趙厚強(qiáng);基于稀疏編碼形狀分類和隨機(jī)游走模型的運(yùn)動目標(biāo)檢測與跟蹤研究[D];浙江大學(xué);2017年

2 鄧凱英;復(fù)雜網(wǎng)絡(luò)搜索策略及相關(guān)模型的數(shù)值方法[D];東北師范大學(xué);2015年

3 劉偉;利用有向隨機(jī)游走拓?fù)渫茢囡L(fēng)險(xiǎn)活性通路及癌癥精確分類研究[D];哈爾濱醫(yī)科大學(xué);2013年

4 徐曉華;圖上的隨機(jī)游走學(xué)習(xí)[D];南京航空航天大學(xué);2008年

5 趙偉;自由形狀特征的重用與抑制[D];浙江大學(xué);2008年

6 孫甲申;基于主題模型和隨機(jī)游走的標(biāo)簽技術(shù)研究[D];北京郵電大學(xué);2013年

7 王青;反求工程中基于變形的自由形狀特征重構(gòu)[D];浙江大學(xué);2006年

8 陳飛;基于形狀先驗(yàn)的同時分割與識別研究[D];浙江大學(xué);2013年

9 柴倫紹;具有形變魯棒性的形狀特征研究及其在檢索中的應(yīng)用[D];北京郵電大學(xué);2014年

10 桂江生;二維水果形狀檢測與分類算法研究[D];浙江大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 何岱洧;Z~d上使Schramm的上界達(dá)到的旋轉(zhuǎn)配置[D];復(fù)旦大學(xué);2014年

2 田新春;回火老化效應(yīng)及其擴(kuò)散方程[D];蘭州大學(xué);2015年

3 鞠薇;基于隨機(jī)游走和圖割算法的PET-CT肺腫瘤分割[D];蘇州大學(xué);2015年

4 祝霖;基于隨機(jī)游走的動態(tài)社團(tuán)劃分算法[D];上海交通大學(xué);2015年

5 孫星;基于部分吸收隨機(jī)游走的協(xié)同顯著性檢測[D];大連理工大學(xué);2015年

6 宋文靜;基于多條隨機(jī)游走的圖像檢索[D];河南大學(xué);2015年

7 汪幫菊;基于隨機(jī)游走的復(fù)雜網(wǎng)絡(luò)聚類算法研究[D];安徽大學(xué);2016年

8 蘭佳妮;基于分組—偏向隨機(jī)游走的閃存地址映射及磨損均衡算法研究[D];西南交通大學(xué);2016年

9 金連寶;基于分層信息融合和隨機(jī)游走的顯著性檢測[D];南昌航空大學(xué);2016年

10 馮維思;多屬性隨機(jī)游走在社會網(wǎng)絡(luò)中的應(yīng)用[D];西南大學(xué);2016年

，

本文編號：1707552