基于稀疏編碼形狀分類和隨機游走模型的運動目標(biāo)檢測與跟蹤研究.pdf

1、在對復(fù)雜背景視頻中的目標(biāo)進行跟蹤時，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)攝像機運動時，運動目標(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，本文以稀疏表達理論和隨機游走模型為基礎(chǔ)，以目標(biāo)跟蹤過程中的背景信息抑制為切入點，并融合目標(biāo)形狀特征信息，對運動目標(biāo)檢測與跟蹤進行了深入的研究。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，

2、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。
　　第二章對運動云臺攝像機下的運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動檢測算法，為運動攝像機下的運動目標(biāo)檢測開拓了新的思路，并在實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)中值流跟蹤法估計出相鄰視頻幀間的垂直運動位移，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

3、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)域判定為真正的運動目標(biāo)所在的區(qū)域。算法在多種實際場景下采集的視頻序列中做了測試，實驗結(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之間的距離和組成

4、，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)機制的稀疏編碼理論來對每個輪廓段的特征向量進行編碼，并且通過空間金字塔匹配對編碼值進行空間最大值池化，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)庫上做了實驗，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

5、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)化局部稀疏表達的背景分析方法，能夠?qū)δ繕?biāo)周圍的區(qū)域進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)化局部稀疏表達理論計算這些粒子的權(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

6、目標(biāo)信息添加進模型之中，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)集及實際場景中采集的視頻序列中做了測試，實驗結(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游走圖像分割方

7、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，每層六個種子點，分別分配六個標(biāo)簽，然后利用隨機游走算法分別對每層種子點進行圖像分割，最后合并四層種子點的分割結(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

8、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驗，取得了較好的跟蹤結(jié)果。
　　第六章將提出的形狀特征表達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方法的跟蹤