基于SVM的目标跟踪算法研究

论文摘要

目标跟踪是计算机视觉领域里一项很重要的工作,它融合了不同领域的先进成果。目前已广泛应用到人机交互、视频监控、军事安全等领域。经典的Mean Shift核跟踪算法具有实时性和准确性兼并的优点,且它易于与其它算法进行融合。但是在复杂背景下MS算法的候选模板内不可避免地包含相当多的背景信息,它们直接导致跟踪精度下降。同时,算法缺少必要的模板更新机制,目标在发生遮挡或是形变时容易发生跟踪失败的情况。针对传统算法存在的问题,尝试在MS算法前加入支持向量机(SVM)分类检测的方法来克服上述问题。通过分类预测,对视频序列一定范围内的像素点进行分类,将其划分为背景点和目标点两类,再在此基础上使用Mean Shift来实现跟踪。在满足一定的实时性条件下提高目标在复杂背景下的跟踪精确度,同时,根据分类的结果,建立新的模板更新机制,有效防止模板不适定的情况。本文主要贡献如下:(1)提出一种基于单个SVM和加权Mean Shift结合的目标跟踪算法。使用基于颜色特征的SVM分类器进行像素点分类预测,再结合对目标点和背景点赋以不同权值的一种新的加权MS算法,实现复杂背景下的目标跟踪,降低背景因素对模板造成的干扰,突出目标点特征。该算法不仅减少了跟踪的迭代次数,同时也提高了跟踪的精确性。(2)根据SVM的分类效果,建立一种模板更新机制,实时地更新模板,有效地防止模板不适定时目标跟踪易发生失败的情况。(3)针对跟踪目标与背景颜色相近时的视频序列,研究如何使用多个基于不同特征的SVM协同训练的方法来实现有效的目标跟踪。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外发展现状
• 1.3 目标跟踪技术简述
• 1.4 技术难点
• 1.5 本文的主要工作及结构安排
• 第二章 目标跟踪相关技术研究
• 2.1 目标表示
• 2.2 目标特征选取
• 2.3 目标检测方法
• 2.3.1 点检测
• 2.3.2 背景差分法
• 2.3.3 光流法
• 2.3.4 图像分割法
• 2.3.4.1 均值聚类
• 2.3.4.2 基于图割的图像分割
• 2.3.4.3 活动轮廓
• 2.3.4.4 监督式学习
• 2.4 目标跟踪方法
• 2.4.1 目标跟踪方法分类
• 2.4.2 均值飘移跟踪算法
• 2.4.2.1 目标表示
• 2.4.2.2 目标建模
• 2.4.2.3 目标候选模型
• 2.4.2.4 基于Bhattacharyya系数的度量标准
• 2.4.2.5 距离最小化
• 2.4.2.6 实验分析
• 2.5 本章小结
• 第三章 单个SVM的目标跟踪算法
• 3.1 引论
• 3.2 支持向量机理论介绍
• 3.3 单个SVM的目标跟踪算法概述
• 3.3.1 SVM分类
• 3.3.2 模板更新机制
• 3.3.3 基于目标和背景加权的Mean shift算法
• 3.3.3.1 空间位置加权
• 3.3.3.2 背景点特征加权
• 3.3.3.3 候选模板的加权
• 3.3.3.4 算法框架
• 3.4 实验结果分析
• 3.5 本章小结
• 第四章 多个SVM的目标跟踪算法
• 4.1 样本选取
• 4.2 特征空间和核函数的选取
• 4.2.1 颜色概率直方图HCP
• 4.2.2 梯度方向直方图HOG
• 4.2.3 核函数选取
• 4.3 协同训练的目标检测算法
• 4.3.1 协同训练
• 4.3.2 合成分类预测图
• 4.3.3 样本筛选
• 4.3.4 模板更新
• 4.4 多个SVM的目标跟踪算法
• 4.5 实验结果分析
• 4.6 本章小结
• 第五章 结束语
• 5.1 工作总结
• 5.2 未来展望
• 参考文献
• 致谢
• 攻读硕士期间发表的学术论文
• 攻读硕士期间参与的科研项目