CASIA OpenIR  > 毕业生  > 博士学位论文
基于在线学习的多摄像机目标跟踪
其他题名Online Learning Based Multicamera Object Tracking
廖胜才
学位类型工学博士
导师李子青 ; 无 ; 无
2010-05-23
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
学位专业模式识别与智能系统
关键词局部特征描述 运动目标检测 多摄像机目标跟踪 在线学习 Local Feature Description Moving Object Detection Multicamera Object Tracking Online Learning
摘要近年来视频监控技术得到了普遍应用,在此基础上智能视频分析也得到了研究者的广泛关注并且积累了大量的研究成果,其中最为基本的是运动目标的自动检测和跟踪算法。然而现有运动目标跟踪的研究主要集中在视野有限的单一摄像机领域。虽然利用多摄像机获取大范围视频信息的手段在实际应用中已经很普遍,但研究上相对滞后,缺乏有效的算法挖掘多摄像机之间目标的相关性。多摄像机产生的多路视频各自包含相应监控视野的视觉信息,通过对其中不同时段不同空间的运动目标形成智能关联,能为安全监控提供更为丰富的信息,起到1+1大于2的作用,这在未来的物联网应用中尤为重要。因此,利用多摄像机对运动目标进行传递跟踪引起了研究者的广泛关注。但多摄像机跟踪的相关研究还处于起步阶段,还有很多问题有待解决,例如多摄像机监控面临的光照、视角、姿态、距离等的复杂变化问题,大量视频数据标定的困难,以及学习模型在新摄像机环境下的适用性和重用性问题等。 本论文针对多摄像机监控下的多目标连续跟踪进行了深入的研究,涉及图像视频分析及模式识别的诸多基本问题,包括光照不变的局部特征表达、复杂场景中的运动目标检测与分割、多摄像机跟踪中与光照、视角、姿态、距离无关的稳定特征的在线学习、以及多摄像机跟踪中时空约束的在线学习等等。本文主要工作和贡献如下: 研究了面向图像中目标刻画与识别的局部特征描述,提出三种有效的局部纹理描述子:结构化的有序比对特征、块状局部二元模式和尺度不变的局部三元模式,达到对光照变化更好的稳定性和适应性,并验证了它们在目标检测、目标识别及目标跟踪中的有效性。与此相关的两篇论文分别荣获2006首届国际生物特征识别大会优秀学生论文奖和2007第二届国际生物特征识别大会最佳论文奖。 提出了一种复杂场景中的运动目标检测方法,该方法利用提出的对光照变化稳定的局部三元模式描述子描述复杂背景,并通过提出一种专门针对局部模式特征的在线核密度估计方法,达到了快速稳定的背景建模和运动目标检测效果,并且不受光照变化、移动阴影和动态背景等的影响。 提出了一种在线Gentle AdaBoost算法对在线离散AdaBoost进行改进,使得连续域的弱回归函数能被用于更精确的分类器学习。同时,提出了一种基于在线混合高斯模型的连续贝叶斯弱回归函数用于在线Gentle AdaBoost,解决了非正态分布特征的在线弱分类器构建问题。此外,本文也将在线Gentle AdaBoost算法与弱回归函数选择器相结合实现在线特征选择,从而能使大量的局部特征能够实时地被选择和更新,适用于复杂的需要学习特征适应性的场景,同时也使分类器的预测速度更快。进一步地,由于多摄像机目标匹配是个多类问题,本文通过双元变量的特殊映射,提出了一种在线双元Gentle AdaBoost特征选择算法实现有效的多摄像机目标匹配。 深入研究了多摄像机监控下多目标的连续跟踪问题,提出了一种基于在线Gentle AdaBoost统计学习的多摄像机目标跟踪通用框架,该框架既可以应用在单摄像机跟踪,也可以应用在多摄像机跟踪;既可以应用在有重叠视域的多...
其他摘要In recent years video surveillance technique is popularly used, and based on it intellegent video analysis algorithms attract many researchers and many useful algorithms have been proposed in the literature, among which the most basic algorithms are that of moving object detection and tracking. However, many object tracking researches focus on single camera, which has limited field of view.Though multicamera system is popular used nowadays for obtaining large field informations, few up-to-date researches have been proposed to address object correlations between multi cameras. Multi videos generated by multicameras contain indevidual visual information of the corresponding surveillanced field of view, thus by smartly linking moving objects in different time and locations, plenty information can be obtained for security surveillance, which is more powerful than just viewing two cameras seperatly. This is very important for future applications of the Internet Of Things. Therefore, researchers pay more and more attentions on hand-off object tracking between multi cameras. However, it is just at the begining stage, and there exist many problems to be solved, such as problems caused by complex illumination, viewpoint, pose, and distance variations between multi cameras, the diffculty of having many video data to be labeled, the problem of model adaptation in new camera environment, and so on. This thesis focuses on continiously tracking multi objects between multi cameras, addressing many basic problems in image video analysis and pattern recognition, including illumination invariant local feature description and selection, object detection and segmation in complex scenes, online learning of illumination, view point, pose, and distance independent features for multicamera tracking, online learning of space and time constraint for multicamera learning, and so on. The main works and contributions of this thesis are as follows. The thesis proposes three effective local texture descriptors: Structured Ordinal Feature, Block-based Local Binary Pattern, and Scale Invariant Local Ternery Pattern, achieving robust performances against illumination variations, and they are evaluated with the effectiveness for object detection, recognition and tracking. The thesis proposes a moving object detection approach for complex scenes, which uses the proposed scale invariant local ternery pattern for the description of complex background under illuminati...
馆藏号XWLW1496
其他标识符200718014628049
语种中文
文献类型学位论文
条目标识符http://ir.ia.ac.cn/handle/173211/6241
专题毕业生_博士学位论文
推荐引用方式
GB/T 7714
廖胜才. 基于在线学习的多摄像机目标跟踪[D]. 中国科学院自动化研究所. 中国科学院研究生院,2010.
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_20071801462804(7471KB) 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
[廖胜才]的文章
百度学术
百度学术中相似的文章
[廖胜才]的文章
必应学术
必应学术中相似的文章
[廖胜才]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。