CASIA OpenIR  > 毕业生  > 博士学位论文
基于统计学习的目标跟踪与人脸识别算法研究
其他题名Statistical Learning based Object Tracking and Face Recognition
赵春水
学位类型工学博士
导师乔红
2009-06-15
学位授予单位中国科学院研究生院
学位授予地点中国科学院自动化研究所
学位专业计算机应用技术
关键词目标跟踪 非线性降维 半监督学习 支持向量机 人脸识别 Object Tracking Nonlinear Dimensionality Reduction Semi-supervised Learning Support Vector Machine Face Recognition
摘要目标跟踪与识别在基于视觉的分析和应用中占有重要的地位。利用目标跟踪可以获得目标的位置、姿态,这些信息是后续识别和决策的基础。虽然目标跟踪是计算机视觉领域重要的研究方向和研究热点,但是目前仍然有很多问题亟待解决,特别是如何处理光照变化、运动模糊、传感器噪声、目标遮挡等问题。人脸识别是人机交互中的关键技术,随着多种视觉传感器的增加,如何利用多种模态的图像进行人脸识别成为一个重要的研究课题。本文工作以鲁棒的目标跟踪和人脸识别为研究内容,分别在以下问题上进行了研究:(1)基于目标外观模型在线学习的目标跟踪;(2)基于多支持向量机协同学习的目标跟踪;(3)基于检测的多人脸跟踪系统;(4)多模态融合的人脸识别。论文的主要工作和贡献如下: 1 提出了增量拉普拉斯特征映射算法,并应用该算法进行目标外观模型的在线学习。在线的对目标外观建模是在跟踪过程中利用跟踪结果实时的更新表示目标的特征空间,现有工作都是基于线性降维方法。流形学习的研究表明非线性降维算法比线性降维方法能更好地找到图像序列的内在嵌入流形。在非线性降维算法中拉普拉斯特征映射算法具有鲁棒、计算简单与理论基础完善的优点,更适用于跟踪过程。但拉普拉斯特征映射算法并没有在线算法,因此我们提出了增量拉普拉斯特征映射算法,并将其与粒子滤波跟踪框架相结合构成了一个完整的跟踪算法。实验结果表明这种方法在鲁棒性和准确性上均有提高。 2 提出了多支持向量机协同学习的跟踪算法。利用半监督学习中的协同学习算法来解决跟踪问题是跟踪算法方面的最新进展。当前的方法是利用两个不同特征集上的分类器进行协同跟踪,但基于两个分类器的协同学习算法要求特征集合是充分且冗余的,一般很难满足。我们提出了利用多个支持向量机的协同跟踪算法。多个分类器的协同跟踪,不是分类器个数的简单增加。它不再需要特征充分冗余的假设条件,还可以利用投票方式标记样本以保证协同学习的有效性,并用集成学习算法确定各个分类器的权重,同时多个支持向量机分类器融合也可解决跟踪过程中的非线性问题和计算效率的矛盾。 3 提出了一个人脸检测和人脸跟踪相结合的多人脸跟踪系统框架。该系统将人脸检测的准确性和人脸跟踪的高效性相结合,实现了对多个人脸的实时跟踪。 4 当前视觉传感器的种类越来越多,为了解决二维图像和三维图像融合进行人脸识别的问题。我们提出了二维三维人脸图像在特征层进行融合的方法,并首次将局部二值特征应用于三维人脸识别,从而将三维人脸与二维人脸用统一的特征进行表示。实验结果证明了以下三个结论:a)局部二值特征用于三维人脸识别是有效的;b)特征层融合策略优于分数层融合策略;c)不同模态的人脸特征融合可以大大提高人脸识别的准确率。
其他摘要Visual Tracking and face recognition play important roles in visual analysis and applications. Tracking can provide object information like location and gesture which found the base of higher level visual processing tasks, such as recognition and control decision. Although tracking is widely studied in the computer vision field, it still remains a challenging problem in methodology and practice, especially in the cases of illumination changes, motion blurring, sensor noise and occlusion. Face recognition is another important problem in robot human computer interaction. With the wide distribution of various kinds of sensors, e.g. infrared camera and 3D camera, multiple modal images can be captured conveniently nowadays. Therefore, how to utilize multi-model image to boost up face recognition becomes an attractive research topic. This thesis focuses on the problem of robust object tracking and face recognition. Specifically, we mainly discuss the following four topics in detail: (1)Online object appearance modeling based on manifold learning; (2) Tracking by co-training with multiple support vector machines; (3) Multiple faces tracking system and (4) Multi-modal face recognition. The main contributions of this thesis include: 1 We proposed a novel incremental Laplacian Eigenmaps algorithm and apply it to online object appearance modeling. Experimental results on video clips data demonstrate the effectiveness of our method. Compared with state-of-the-art appearance modeling method, our proposed method achieves higher accuracy and robustness. 2 We proposed a tracking framework based on support vector machine co-training. We redefine the object tracking problem in the setting of semi-supervised learning. The individual support vector tracker built upon color, texture and gradient feature are combined and updated by co-training method. The proposed algorithm is tested on many video clips, ranging from internet video, infrared clips and clips captured from mobile platform. Experimental results show the robustness of our proposed algorithm, especially under the situation of drastic appearance changes. 3 We developed a multiple faces tracking framework based on interaction between face detection and face tracking. This framework reaps the efficient of face detection and effective of tracking algorithm. Experimental results show that proposed algorithm can robustly track multiple faces in real-time. 4 We applied, for the first time, the Local Binary Pattern...
馆藏号XWLW1298
其他标识符200418014628016
语种中文
文献类型学位论文
条目标识符http://ir.ia.ac.cn/handle/173211/6221
专题毕业生_博士学位论文
推荐引用方式
GB/T 7714
赵春水. 基于统计学习的目标跟踪与人脸识别算法研究[D]. 中国科学院自动化研究所. 中国科学院研究生院,2009.
条目包含的文件
文件名称/大小 文献类型 版本类型 开放类型 使用许可
CASIA_20041801462801(3752KB) 暂不开放CC BY-NC-SA请求全文
个性服务
推荐该条目
保存到收藏夹
查看访问统计
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[赵春水]的文章
百度学术
百度学术中相似的文章
[赵春水]的文章
必应学术
必应学术中相似的文章
[赵春水]的文章
相关权益政策
暂无数据
收藏/分享
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。