復(fù)雜環(huán)境下的單目視覺(jué)跟蹤方法研究.pdf

1、視頻目標(biāo)跟蹤一直以來(lái)作為計(jì)算機(jī)視覺(jué)領(lǐng)域的熱門(mén)領(lǐng)域,在多媒體應(yīng)用、安防、交通監(jiān)控、行為識(shí)別、虛擬現(xiàn)實(shí)中有廣泛的應(yīng)用。然而在實(shí)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(jì)算機(jī)視覺(jué)研究領(lǐng)域中的一大挑戰(zhàn)。針對(duì)以上的問(wèn)題,本文分別從三個(gè)框架:(1)背景更新框架;(2)檢測(cè)-聚類(lèi)(DetectionbyGrouping)框架(特征點(diǎn)、特征區(qū)域)及(3)檢測(cè)-分類(lèi)(DetectionbyClassifi

2、cation)框架(基于檢測(cè)和學(xué)習(xí)),來(lái)進(jìn)行研究。
　　對(duì)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(shū)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(shí)間及前景目標(biāo)的完備性上選擇AdaptiveGMM作為本文的前景檢測(cè)模型。但是AdaptiveGMM對(duì)于搖動(dòng)的樹(shù)葉、噴泉、攝像機(jī)抖動(dòng)等環(huán)境干擾的抑制性能還需要通過(guò)其他的條件約束進(jìn)一步提高,為此本文

3、從真實(shí)目標(biāo)運(yùn)動(dòng)方向的一致性出發(fā),在A(yíng)daptiveGMM前景檢測(cè)結(jié)果的基礎(chǔ)上先后加入運(yùn)動(dòng)模板估計(jì)及運(yùn)動(dòng)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(cè)結(jié)果。但是基于前景的目標(biāo)跟蹤方法在攝像機(jī)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(wú)法施展。為此本文在“DetectionbyGrouping”框架下進(jìn)一步進(jìn)行了研究。
　　對(duì)于“Detec

4、tionbyGrouping”框架,本章首先從特征點(diǎn)的選取入手,通過(guò)多種特征點(diǎn)(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(duì)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(wèn)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(yùn)動(dòng)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(guò)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(diǎn)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(xiàn)學(xué)習(xí)跟蹤算法相比上面提到的兩個(gè)框架下的算法具有更好的跟蹤性能。但是這些在線(xiàn)跟蹤算法仍然存在一些問(wèn)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(duì)當(dāng)前樣本的估計(jì),導(dǎo)致一些“過(guò)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(wèn)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(jiǎn)稱(chēng)P-OAB-MW)。主要的貢獻(xiàn)為三個(gè)方面:(1)一個(gè)新穎的局部分塊結(jié)構(gòu)被應(yīng)用于OnlineAdaBoostTracking(OAB)跟蹤算法中。(2