目标跟踪在计算机视觉中具有十分重要的意义。目标跟踪属于计算机视觉的中层部分，可以为高层的运动理解和识别等提供重要基础。由于自然场景的复杂性以及无规则性，要进行准确地目标跟踪面临很多的挑战，比如噪音，姿态变化，遮挡，光照变化等。这些挑战仍是当前研究的热点。为了解决这些挑战，我们需要构造有效的目标表观。有效的目标表观对噪音、遮挡等都有一定的鲁棒性，据此我们可以准确的识别目标的状态。另外，良好的搜索策略在跟踪中也有很重要的意义，可以更有效的找到目标的最优状态。 本文对复杂场景下的目标跟踪进行了一定的研究，并在下述两个主要方面进行了探讨：（1）良好的搜索策略。（2）鲁棒的目标表观建模。大量的实验证明了我们方法的鲁棒性和有效性。论文的主要工作和贡献如下： 1） 提出了一种新的粒子滤波方法，变化程度不同的并行粒子滤波（Concurrent particle filter with different variances）。这种粒子滤波器可以很好的描述目标状态不同的变化程度，使算法更好的适应具体的跟踪情形。同时我们还提出了一种简单的迭代搜索算法，可以有效的优化采样出的粒子。 2） 提出了一种新的基于马尔科夫随机场的跟踪算法。此算法将目标表观划分成一些图像块(patch)，并用马尔科夫随机场来描述块间的关系。各个图像块之间可以互相重叠。我们提出了一种新的优化图像块位置的方法，以此可以使对粒子的评价更加的准确。 3） 基于2D PCA，我们提出了两种新的表观模型。第一种模型为块直方图组模型。我们把目标表观分成许多图像块，根据各图象块的颜色直方图，我们构建直方图三维矩阵来描述目标表观。根据分块，我们可有效的描述目标表观的空间信息，而通过各块的直方图，此表观模型对局部表观扰动可有较强的鲁棒性。此外，我们还提出了一种新的基于目标成分距离的表观模型。通过描述目标成分的距离，这种新的表观模型可很好的处理剧烈光照变化等问题。 4） 基于图嵌入，提出了两种新的跟踪算法。第一种方法把目标及附近背景划分成规则的小块，并用图嵌入来区分前景与背景。我们将前景聚类，并将各类分别与背景构成组对来计算图嵌入信息。对不同样本，我们根据样本到分界面的距离来给其不同的权值。在第二种方法中，我们依旧把目标和附近背景分块。不同的是，我们在各目标边界处分别计算图嵌入信息，以获得更准确的目标状态。我们还提出了一种新的马尔科夫方法来更有效的描述前景各部分间的关系。 5） 提出了一种局部线性与非线性子空间相结合的表观模型。我们保持一系列的关键样本，并为每个关键样本计算其局部子空间。我们构建一个高维球来表示样本的非线性分布。对特定关键样本，此高维球经过所有的关键样本，且与特定关键样本的主线性子空间相切。相比于传统的线性表观模型，我们的模型可更准确描述样本的实际分布。此外，我们提出了一种新的基于MCMC(Markov Chain Monte Carlo )的粒子滤波器。这种粒子滤波可有效满足搜索宽度与搜索精度的要求。 6） 提出了一种多重图模型来进行目标跟踪。为构建此模型，我们保持一系列的基子图像。对每个基子图像，我们检测其...
英文摘要
Object tracking plays an important role in computer vision. Object tracking belongs to the middle level of computer vision, and is able to provide important support to motion analysis and recognition in the high level. As for the complexity and irregularity of natural scenes, accurate object tracking faces many challenges, such as noise, pose variation, occlusion, light variation, etc. These challenges are still the hot field of nowaday’s researches. To resolve these challenges, we need to construct effective object appearances which are robust to noise, occlusion, etc. In another part, effective searching principles are also important for object tracking and are able to make the searching of the optimal state more effective. This paper makes researches of object tracking in complex context, and mainly discusses the following two parts: (1) effective searching principle, (2) robust object appearance model. The experiments demonstrate the robustness and effectiveness of our method. The main work and contributions of this paper are as follows: (1) We propose a new particle filter, concurrent particle filter with different variances. This new particle filter is able to effectively describe the variance extents of object states, and also make the algorithm adapt with the tracking conditions. In another part, we propose a simple iterative searching method, which is able to optimize the particles effectively. (2) We propose a new tracking alogrithm based on MRF. This algorithm divides the object appearance into patches, and represents the relations between patches with MRF. The patches can overlap each other. A new method to optimize the positions of the patches is also proposed. The optimization is able to make more accurate the evaluation of the particles. (3) Baede on 2D PCA, we propose two new appearance models. One is patch histograms. In the model, we divide the object appearance to multiple patches. Then we construct a 3D histogram matrix with the patch histograms of each patch. With patch information, we are able to represent the local information effectively. And with the patch histograms, we make the appearance model robust to appearance’s local variation. The other new appearance model is based on distance information about different object components. With distance information, the new model is robust to drastic light variation. (4) We propose two new tracking algorithms based on graph embedding. The first algorithm divides the object appearanc...
修改评论