复杂条件下基于密集采样的目标跟踪

摘要

由于复杂背景、光照变化等外部因素与目标姿态变化、位置等内部因素，以及遮挡等不受控因素共同影响，使得目标跟踪成为机器视觉领域内一个具有挑战性的课题。近年来，利用目标与目标周围信息的密集采样跟踪方法得到了关注，该方法在复杂条件下能对目标进行实时且有效的跟踪。基于此本文提出了基于密集采样的目标跟踪方法，主要工作如下：
　　首先，论文提出了一种基于多尺度的稀疏编码直方图特征表示方法并将其应用于目标检测。该方法通过稀疏编码直方图来描述目标的结构特征；在此基础上对目标进行尺度空间的构建；然后提出了一种级联结构的可变形部件模型的目标检测框架，其在目标检测过程中可有效排除可能性较低的部件。实验表明该方法不仅能较好的表示目标，而且能准确快速的检测目标。
　　其次，为了应对光照，尺度变化以及遮挡等复杂条件，提出了一种基于时空上下文信息的目标跟踪方法。该方法利用时空上下文信息辅助目标跟踪，实现了对目标周围信息的充分利用；在此基础上建立基于基于峰值旁瓣比的遮挡反馈机制来处理遮挡问题，提高跟踪的鲁棒性；然后引入学习率更新机制，对目标模型进行实时更新，减少误差积累；最终利用视频序列前后帧之间的相关性，建立基于时空显著性的目标尺度更新机制，实时对目标尺度进行更新。实验表明，该算法在遮挡情况下具有较好的跟踪稳定性和鲁棒性。
　　再次，提出了一种基于错误点消除的核相关滤波跟踪算法。该算法利用目标运动的相关性，对分类器进行约束；在此基础上通过对图像的信息按照运动轨迹进行划分，根据运动轨迹对图像信息进行充分利用，增强对有效信息的利用；最后引入正反向误差理论来消除跟踪过程中的错误信息，以减少错误信息的干扰。实验表明：该方法能够应对复杂的跟踪条件，且具有较强的鲁棒性。
　　最后，论文进行了总结并展望了下一步的研究工作。本论文研究的跟踪方法能较好的应对各种复杂条件下的目标跟踪问题，达到了较好的跟踪效果，实时性也满足要求。但是，本文方法在应对弱小目标时跟踪效果还存在欠缺，同时应对全遮挡情况的跟踪能力还存在不足，这将是我们下一步的重点研究方向。

目录

声明

注释表

缩略词

第一章 绪论

1.1 论文研究背景与意义

1.2 目标检测算法研究现状

1.3 目标跟踪算法研究现状

1.4 论文的主要工作及结构安排

第二章 基于多尺度稀疏直方图以及DPM的目标检测

2.1 引言

2.2 目标检测算法研究

2.3 基于稀疏编码直方图特征

2.4 基于可变形部件的目标检测算法

2.5 实验结果与分析

2.6 本章小结

第三章 基于时空上下文的自适应目标跟踪

3.1引言

3.2基于STC的目标跟踪

3.3遮挡情况下的STC算法

3.4时空显著性度量

3.5实验结果与分析

3.6本章小结

第四章 基于约束回归模型的自适应KCF目标跟踪

4.1引言

4.2 KCF跟踪算法

4.3基于约束回归模型的自适应KCF目标跟踪

4.4实验结果与分析

4.5本章小结

第五章 总结与展望

5.1本文工作总结

5.2对未来工作的展望

参考文献

致谢

在学期间的研究成果及学术论文情况