可視對象跟蹤算法研究及應用.pdf_第1頁
已閱讀1頁,還剩112頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、對象跟蹤作為智能視頻分析的關鍵問題,在計算機視覺領域具有廣泛的應用,如智能監(jiān)控、人機交互、機器人技術以及多媒體應用等。盡管研究人員對此做出了大量的工作,但是由于真實世界的復雜性,如背景干擾、表觀變化、低圖像分辨率,以及幀跳躍等問題,使得在無約束環(huán)境下實現對目標進行長時間實時穩(wěn)定的可視跟蹤任務仍然是一項極具挑戰(zhàn)性的課題。本文通過對對象跟蹤算法研究現狀的分析,結合跟蹤過程具有很強的時序性和時空關系的特點,基于圖像信號分析、模式識別和在線機器

2、學習的理論與方法,分別從單目標跟蹤、多目標跟蹤及其應用三個方面開展研究,提出了幾種實時穩(wěn)定的對象跟蹤算法。具體工作如下:
  (1)為了提高依賴隨機蕨檢測的跟蹤算法的穩(wěn)定性,提出了一種基于增強型隨機蕨的對象跟蹤算法。該算法在學習過程中,通過在線聚類隨機蕨每個葉節(jié)點中的學習樣例,自動發(fā)掘其特征空間中特征向量潛在的分布特性,即隱含類型;在評價過程中,將這些隱含類型作為核函數的數據點進行核密度估計,計算測試樣例的類型概率。實驗結果表明,

3、該算法在實現實時對象跟蹤的同時提高了跟蹤的穩(wěn)定性。
  (2)針對基于在線學習的跟蹤算法面臨的兩難問題,即如何既保證對目標變化的適應能力,又保證學習的準確性,提出了基于主動場景學習的對象跟蹤算法。該算法基于對象與背景信息建立結構化的約束,并根據該約束對在線模型和檢測器進行有監(jiān)督的學習,從而提高了其學習的準確性。同時結合基于光流分析的目標運動區(qū)域提取方法,使得能夠對快速移動目標進行跟蹤。實驗結果表明,該算法提高了跟蹤系統對目標變化的

4、適應能力和跟蹤的穩(wěn)定性。
  (3)針對基于霍夫變換的對象跟蹤算法難以實現實時跟蹤的問題,提出了基于霍夫蕨的對象跟蹤算法。該算法采用依賴檢測的跟蹤框架,以隨機蕨作為基礎檢測結構,將對象的局部表觀作為學習數據,在其每個葉節(jié)點中計算并保存霍夫空間中屬于目標對象的投票概率,并通過在線學習使其能夠同步適應對象表觀的變化。實驗結果表明,該算法在滿足跟蹤穩(wěn)定性的同時能夠實現實時的對象跟蹤。
  (4)為了提高跟蹤過程中檢測器的對象識別能

5、力進而提高跟蹤的穩(wěn)定性,提出了在線學習多重檢測的對象跟蹤算法。該算法將目標對象的整體和局部表觀,以及由場景學習中發(fā)掘的同步對象同時作為學習數據,因此能夠在跟蹤過程中分別對這些類型的對象進行檢測。最后通過計算這些檢測結果關于目標的配置概率進而確定目標的位置,實現對象跟蹤任務。實驗結果表明該算法可以適應更加復雜的跟蹤環(huán)境,在滿足實時性的同時提高了跟蹤的穩(wěn)定性。
  (5)為了降低多目標跟蹤算法的計算復雜度,實現實時的多目標跟蹤,提出了

6、基于自適應運動相關協作的多目標跟蹤算法。該算法根據目標運動信息建立目標間相關度,通過相關度狀態(tài)估計協作模型預測目標狀態(tài),實現多目標跟蹤。實驗結果表明,僅采用基本的短時跟蹤算法,結合該協作模型則可以有效的處理目標遮擋,實現實時穩(wěn)定的多目標跟蹤。
  (6)針對對象跟蹤算法的應用問題,結合具體的應用場景研究了相應的技術方法。關于醫(yī)學圖像處理的應用,提出了一種基于分層檢測的人體膝關節(jié)前交叉韌帶(ACL)定位方法,用于解決在圖像中檢測和定

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論