復(fù)雜場(chǎng)景下目標(biāo)對(duì)象的分割與跟蹤.pdf

1、在計(jì)算機(jī)視覺(jué)領(lǐng)域,目標(biāo)對(duì)象的分割與跟蹤一直是非常重要的課題。隨著高性能計(jì)算機(jī)和高清晰度攝像機(jī)的普及,對(duì)于智能視頻分析的大量需求,使得新的算法越來(lái)越得到大家的重視。目標(biāo)的分割與跟蹤在眾多應(yīng)用領(lǐng)域都有著密切的相關(guān)性,包括:自動(dòng)化監(jiān)控、視頻索引、人機(jī)交互、車(chē)輛導(dǎo)航、交通監(jiān)視和基于運(yùn)動(dòng)的識(shí)別等等。本文主要研究的內(nèi)容是復(fù)雜場(chǎng)景下目標(biāo)對(duì)象的分割與跟蹤。
　　全文主要分為三個(gè)部分,第一部分是形狀傳遞的聯(lián)合分割以及圖匹配校正的跟蹤算法。其主要有兩

2、個(gè)創(chuàng)新點(diǎn),第一個(gè)創(chuàng)新點(diǎn)是在分割階段,我們將形狀預(yù)測(cè)圖與圖像內(nèi)容相結(jié)合,并借助坐標(biāo)位置重定位,改進(jìn)了圖模型的構(gòu)造方法,充分利用了目標(biāo)物體的形狀先驗(yàn)信息,對(duì)目標(biāo)物體的內(nèi)容進(jìn)行了保留,有效地提高了目標(biāo)物體的分割準(zhǔn)確度,同時(shí)確保了分割結(jié)果在時(shí)間上的一致連續(xù)性。為了保證分割的正確性,我們的第二個(gè)創(chuàng)新點(diǎn)是構(gòu)建了一個(gè)能量函數(shù),并通過(guò)圖匹配對(duì)能量函數(shù)進(jìn)行最優(yōu)化,從而達(dá)到對(duì)分割結(jié)果進(jìn)行補(bǔ)償?shù)淖饔?同時(shí)可以有效應(yīng)對(duì)遮擋情況的發(fā)生。
　　第二部分是基于

3、血管能量函數(shù)和半徑可變球模型的肺部血管分割與結(jié)節(jié)檢測(cè)。該問(wèn)題的難點(diǎn)在于區(qū)分肺部結(jié)節(jié)和肺部血管區(qū)域,因?yàn)閮烧咴贑T圖像中對(duì)比度非常低。因此有效地檢測(cè)那些依附在肺部血管上的肺部結(jié)節(jié),并同時(shí)有效降低在肺部血管分叉處檢測(cè)肺部結(jié)節(jié)的假陽(yáng)性是問(wèn)題的關(guān)鍵。我們的貢獻(xiàn)是引入了新的血管能量函數(shù),使得能量函數(shù)中的能量項(xiàng)集中在血管的中心軸附近,并使其在血管邊界區(qū)域呈現(xiàn)明顯的下降,并且抑制具有團(tuán)狀結(jié)構(gòu)的肺部結(jié)節(jié)區(qū)域。具有高能量響應(yīng)的像素被設(shè)置為血管區(qū)域,通過(guò)不

4、斷的傳播擴(kuò)散,最終的能量函數(shù)將會(huì)在低能量值的血管邊界區(qū)域終止。這樣我們就能夠分割得到整個(gè)血管區(qū)域。同時(shí)半徑可變球模型被用來(lái)細(xì)化血管分割的輪廓,確保了分割的血管中心線的平滑性和連續(xù)性。
　　第三部分是基于特征點(diǎn)匹配的實(shí)時(shí)目標(biāo)檢測(cè)與跟蹤算法,我們實(shí)現(xiàn)了一個(gè)在視頻中實(shí)時(shí)檢測(cè)和跟蹤特定目標(biāo)物體的系統(tǒng)。在檢測(cè)部分,為了有效提高檢測(cè)效率,降低時(shí)間復(fù)雜度,我們采用了Harris角點(diǎn)與SIFT描述子相結(jié)合的方法,同時(shí)引入了自適應(yīng)尺度系數(shù)和自適應(yīng)閾