新型二階統(tǒng)計描述子及其在物體檢測與跟蹤方面的應(yīng)用.pdf

1、隨著在視頻監(jiān)控、自然人機(jī)交互系統(tǒng)和智能交通系統(tǒng)中越來越多地應(yīng)用，物體檢測與跟蹤技術(shù)已經(jīng)成為計算機(jī)視覺領(lǐng)域的關(guān)鍵技術(shù)之一。本文針對物體檢測與跟蹤任務(wù)中普遍存在的類內(nèi)散度大和類間可區(qū)分度低的問題，選擇了具有較好判別力和魯棒性的基于圖像二階統(tǒng)計特性的區(qū)域描述子作為技術(shù)路線。針對傳統(tǒng)二階統(tǒng)計描述子計算效率較低的缺點(diǎn)，本文提出了一種新型的二階統(tǒng)計圖像區(qū)域描述子，定義了該描述子之間的距離度量以及多個描述子的均值；在此基礎(chǔ)上，本文探討了如何將所提區(qū)域

2、描述子用于圖像整體表達(dá)，并結(jié)合常用的分類學(xué)習(xí)算法構(gòu)造物體檢測器；此外，本文研究了如何利用所提區(qū)域描述子對跟蹤目標(biāo)進(jìn)行有效建模；最后，本文探討了在集成學(xué)習(xí)框架下如何設(shè)計與描述子之間距離定義相對應(yīng)的高效分類器。具體地，本論文的主要研究內(nèi)容如下：
　　第一、二階統(tǒng)計區(qū)域描述子包含了給定圖像區(qū)域的多種特征（信息）的統(tǒng)計信息，具有判別力較強(qiáng)、魯棒性較好和維數(shù)較低的優(yōu)點(diǎn)。但是傳統(tǒng)的二階統(tǒng)計描述子，即協(xié)方差矩陣存在計算效率較低和對應(yīng)的分類器設(shè)計

3、過于復(fù)雜的問題。為克服這些問題，本文提出了一種名為Sigma set的新型圖像區(qū)域描述子。Sigma set是由少量特征向量構(gòu)成的集合，其和給定圖像區(qū)域具有相同的二階統(tǒng)計特性。它可以通過矩陣分解唯一高效地得到。為了使其成為可勝任多種計算機(jī)視覺任務(wù)的有效描述子，本文進(jìn)一步為其定義了距離度量和描述子的均值。所提描述子具有和傳統(tǒng)協(xié)方差矩陣類似的強(qiáng)判別力和魯棒性。集合形式使得描述子間的距離度量最終轉(zhuǎn)化為向量空間上的集合元素間距離，因此計算效率要

4、遠(yuǎn)高于傳統(tǒng)二階統(tǒng)計描述子相應(yīng)的黎曼流形距離的計算。結(jié)合近鄰分類器在紋理分類任務(wù)中驗(yàn)證了所提描述子的有效性。
　　第二、本文致力于將所提區(qū)域描述子應(yīng)用到物體檢測任務(wù)。為此，本文將Sigma set區(qū)域描述子擴(kuò)展到對包含物體的整個圖像進(jìn)行描述，稱為Sigma set圖像表示。和協(xié)方差矩陣圖像表示相似，Sigma set圖像表示同樣具有對圖像區(qū)域信息較強(qiáng)的概括和描述能力。Sigma set描述子的特定距離定義使得 Sigma set物體

5、表示可以向量表示并直接與常用學(xué)習(xí)算法相結(jié)合，與協(xié)方差矩陣物體表示的黎曼流形分類器相比更為高效。物體檢測的實(shí)驗(yàn)表明，Sigma set物體表示結(jié)合常用分類器能夠以更高的效率獲得與傳統(tǒng)協(xié)方差矩陣物體表示及相應(yīng)黎曼流形分類器類似的性能。
　　第三、本文致力于將所提出的Sigma set描述子應(yīng)用于實(shí)時跟蹤任務(wù)。由于跟蹤的目標(biāo)物體往往要經(jīng)歷表觀的變化，如何能有效對跟蹤目標(biāo)進(jìn)行建模并適應(yīng)其表觀變化一直是跟蹤研究的重要課題。為此，在物體分塊S

6、igma set表示的基礎(chǔ)上，本文提出了貝葉斯推理框架下的核函數(shù)隱含在線學(xué)習(xí)實(shí)時物體跟蹤方法。所提方法具有以下優(yōu)點(diǎn)：首先，分塊Sigma set表示可以有效地對跟蹤目標(biāo)進(jìn)行描述；其次，目標(biāo)的局部分塊由核函數(shù)隱含在線學(xué)習(xí)算法進(jìn)行建模，可以從歷史觀測中有效得到目標(biāo)估計，快速而魯棒地適應(yīng)物體的表觀變化；再次，多個分塊核函數(shù)隱含在線模型的輸出由仲裁器進(jìn)行融合，有效地克服部分遮擋所帶來的影響；最后，貝葉斯推理框架確保了跟蹤的實(shí)時性。多個視頻序列上

7、的實(shí)驗(yàn)結(jié)果證明了所提方法可以有效克服由物體表觀變化、運(yùn)動和部分遮擋帶來的影響。
　　第四、區(qū)域描述子只有結(jié)合相應(yīng)的距離度量才能取得較好的性能。傳統(tǒng)的非線性分類器可以使用和描述子相對應(yīng)的距離度量，但其計算效率較低。為了解決這個問題，本文致力于在集成學(xué)習(xí)框架下設(shè)計一種既能與特定區(qū)域描述子的距離定義相適應(yīng)，又可以高效計算的弱分類器學(xué)習(xí)算法。為此提出了樣本預(yù)映射弱分類器學(xué)習(xí)算法。樣本預(yù)映射是在弱學(xué)習(xí)或者弱分類“之前”進(jìn)行的一個增強(qiáng)步驟，它