增量型目标跟踪关键技术研究

论文摘要

在当今信息化社会中,视频监控、视频检索、人机交互以及视频编解码等各种与视频相关的应用不断涌现出来,与这些应用相随的是海量的视频数据,计算机视觉研究的发展则为这些海量视频数据的处理提供了技术支撑。借助于目标检测、跟踪等视频处理技术,计算机能够自动分析、识别目标物的运动状态与行为,使得视频数据的处理变得更为智能化。目前,经过人们在目标跟踪领域长期的研究,目标跟踪技术已经有了长足的发展,但是在复杂场景中对任意目标物进行稳定、准确的跟踪仍然是一件困难的事情。外观模型是目标跟踪算法框架中的核心组成部分,其根据从底层提取的图像信息对视频中可能的目标物图像区域进行判断和决策,因此直接影响着目标跟踪的性能。但是视点的改变、光照的变化以及部分遮挡等因素的存在都会引起目标跟踪误差的产生,甚至造成目标物的丢失。建立具有自适应性的外观模型是提高目标跟踪性能的关键,据此,本文从子空间学习方法与有监督学习方法出发,以增量的方式构造可在线更新的目标物外观模型,并在此基础上设计跟踪算法对视频中的目标物实施跟踪。本文的主要研究内容包括：(1)提出了基于加权增量子空间的目标跟踪方法。利用视频中的目标图像集合构造一个低维子空间,以此作为目标物的外观模型。在后续视频序列中采集图像样本,根据这些样本在子空间中的投影重构原图,由原图与重构图像之间的差值估算图像为目标区域的似然度,选取具有最大似然度的样本作为目标图像区域。根据当前帧中确定的目标图像样本,以增量的方式对目标外观模型进行更新,考虑到视频所具有的时序特性,赋予样本与时间相关的权值,以此构造一个更符合当前目标物外观变化的子空间外观模型,在视点、光照变化以及部分遮挡情况下的实验结果验证了该方法的稳定性与准确性。(2)提出了基于增量型非负矩阵分解的目标跟踪方法。采用非负矩阵分解方法对目标图像集合建立低维子空间描述,使得每个图像样本都可以由一组基图像线性表示,根据相邻视频帧中目标图像在坐标向量上的强相关性,可以由前一帧视频中己知的目标图像来确定当前视频帧中的目标区域,为此选取具有最大相关性的图像样本作为当前帧中的目标图像区域。在确定目标图像以后,以增量的方式更新基图像,以此完成子空间的在线更新,最后根据复杂场景中对刚性目标物与非刚性目标物跟踪的结果总结了该方法的特点。(3)提出了基于增量线性判别空间的目标跟踪方法。根据已有的目标类图像样本集与背景类图像样本集构造一维线性判别空间,后续视频中所采集的图像样本被投影到该判别空间中,样本投影与目标类投影均值之间的欧氏距离度量了图像样本为目标图像区域的似然度,具有最大似然度的图像样本就为当前帧中的目标区域,在完成跟踪以后,分别计算类别已知的图像样本类间散度矩阵与总体散度矩阵的充分生成集,在此基础上以增量的方式更新投影矩阵,使判别空间保持判别能力。实验结果表明,该方法能够对目标物进行仿射不变的跟踪。(4)提出了基于增量非对称Boosting的目标跟踪算法。根据Boosting算法构造强分类器,利用其对视频图像中所采集的图像样本进行判别,以此确定目标图像。设置了多个分类器池,在确定目标类样本与背景类样本以后,对分类器池中的每个弱分类器进行在线更新,从每个分类器池中选取具有最小分类误差的弱分类器来构造强分类器,并在线更新强分类器。此外,根据每个弱分类器的分类误差类型调整训练样本的权值分布,以此克服两类训练样本在数量上的非对称性,使得强分类器对视频中的目标物具有良好的检测能力。最后,对多类目标物的跟踪实验验证了该方法的泛化能力。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景与意义
• 1.2 目标跟踪领域的研究现状
• 1.2.1 基于核的目标跟踪方法
• 1.2.2 基于活动轮廓的目标跟踪方法
• 1.2.3 基于切函数的目标跟踪方法
• 1.2.4 基于块的目标跟踪方法
• 1.2.5 基于生成模型的目标跟踪方法
• 1.2.6 基于子空间学习的目标跟踪方法
• 1.2.7 基于判别模型的目标跟踪方法
• 1.3 本文工作
• 1.4 本文的组织结构
• 第2章 基于加权增量子空间的目标跟踪方法
• 2.1 引言
• 2.2 增量主成分分析方法
• 2.2.1 主成分分析方法简述
• 2.2.2 增量型主成分分析方法
• 2.2.3 序列化Karhunen-Loeve变换算法
• 2.2.4 加权增量主成分分析
• 2.2.5 性能分析与比较
• 2.3 基于加权增量子空间的目标跟踪方法
• 2.3.1 跟踪方法总体框架
• 2.3.2 目标物运动状态的预测
• 2.3.3 运动目标图像区域的判断
• 2.3.4 实验结果
• 2.4 本章小结
• 第3章 基于增量非负矩阵分解的目标跟踪方法
• 3.1 引言
• 3.2 非负矩阵分解及其增量算法
• 3.2.1 非负矩阵分解原理
• 3.2.2 增量型非负矩阵分解算法
• 3.3 基于增量型非负矩阵分解的目标跟踪算法
• 3.3.1 运动预测模型
• 3.3.2 目标图像区域的确定
• 3.3.3 子空间的增量更新
• 3.3.4 实验结果及分析
• 3.4 本章小结
• 第4章 基于增量线性判别空间的目标跟踪方法
• 4.1 引言
• 4.2 线性判别分析
• 4.2.1 Fish线性判别分析
• 4.2.2 线性判别空间的增量计算
• 4.2.3 基于充分生成集的增量线性判别分析算法
• 4.2.4 总体散度矩阵主成分的增量计算
• 4.2.5 类间散度矩阵主成分的增量计算
• 4.2.6 投影方向的增量更新
• 4.3 基于增量式线性判别空间的目标跟踪方法
• 4.3.1 运动预测模型
• 4.3.2 线性判别空间的增量更新
• 4.3.3 算法时间复杂度分析
• 4.3.4 具体实验设置
• 4.4 本章小结
• 第5章 基于增量非对称Boosting的目标跟踪方法
• 5.1 引言
• 5.2 Boosting学习及其增量算法
• 5.2.1 Boosting学习算法简述
• 5.2.2 增量型Boosting学习算法
• 5.2.3 非对称Boosting学习算法
• 5.3 基于增量非对称Boosting学习的目标跟踪方法
• 5.3.1 目标图像区域的确定
• 5.3.2 弱分类器的在线训练
• 5.3.3 强分类器的非对称构造
• 5.3.4 实验结果
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 未来工作展望
• 参考文献
• 攻读博士学位期间主要的研究成果
• 致谢