CASIA OpenIR  > 毕业生  > 硕士学位论文
金字塔表观跟踪与半监督轨迹学习
其他题名Pyramidal Appearance Tracking and Semi-supervised Trajectory Learning
刘洋
学位类型工学硕士
导师胡卫明
2011-06-01
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
关键词运动目标跟踪 金字塔表观建模 轨迹模式学习 半监督学习 轨迹描述子 Object Tracking Pyramidal Appearance Modeling Trajectory Pattern Learning Semi-supervised Learning Trajectory Descriptor
摘要目标跟踪是通过对摄像机所拍摄的视频图像序列进行处理,找出连续图像帧间的对应关系,实现对图像和图像序列中的运动目标进行跟踪,给出其运动轨迹。目标跟踪在目标运动的视觉分析中占有重要的地位,属于视觉的中层部分。利用目标的跟踪,可以方便地获得目标的运动、姿态、行为参数,为后续高层的行为理解和识别奠定基础。目标跟踪虽然是计算机视觉领域一个重要的研究方向和研究热点,但是目前仍然有很多理论与技术问题有待解决,特别是跟踪过程中噪音干扰、运动模糊、光照变化、遮挡等复杂问题的解决。 视频中的运动轨迹包含了丰富的时空信息。它们不仅表现了物体的空间位置,由于帧间固定时间采样的关系,轨迹上的采样点还可以表示物体运动的速度和加速度。如果和场景信息相结合,轨迹还可以表现较高层次的语义内容。因此,轨迹模式学习在目标运动的视觉分析中属于高层部分。它可以简单地被认为是对时变轨迹数据进行无监督学习,从而得到一系列具有代表性的轨迹模式。 本文的工作以运动目标的鲁棒跟踪和轨迹模式学习为目标,分别对以下两个问题进行了深入的探讨和分析:(1)基于目标表观建模的视觉跟踪;(2)运动目标轨迹模式学习。实验证明了我们方法的有效性和鲁棒性。论文的主要工作和贡献如下: 1. 我们提出了一个基于金字塔表观建模的目标跟踪方法。在增量子空间学习的基础上,引入多尺度分析的思想,对目标进行三层空间金字塔分割,用增量PCA的方法,对金字塔每层子块进行子空间表观建模,并分别计算重构误差,在粒子滤波的框架下对目标进行后验状态估计,确定跟踪结果。另外,我们充分利用金字塔结构,在像素特征的基础上,进一步融合了类Haar特征和PHOG特征,加入了目标的纹理信息和形状信息,对目标进行更加有效地描述,使跟踪结果更加鲁棒。 2. 我们提出了一个基于图的半监督轨迹学习框架,它不仅可以利用已标记轨迹之间、已标记轨迹与未标记轨迹之间的相似性信息,还可以利用未标记轨迹之间的结构信息,使标签信息沿图传播,在训练轨迹样本极少的情况下,实现有效的轨迹模式学习。在这个框架中,我们还提出了一种基于多尺度关键点的轨迹描述子,该描述子不仅对轨迹长度十分鲁棒,而且在多尺度下能充分反映整条轨迹的结构信息和细节信息,有效地重构整条轨迹。
其他摘要Object tracking is to detect, localize and track moving object in video sequences captured by cameras. Object tracking plays an important role in visual analysis and understanding of human motion, it's the intermediate-level vision part. By visual tracking, we obtain the motion parameters, the poses and the trajectories of objects, which lays a solid foundation for the high-level activity understanding and recognition. Although object tracking is really a hot research topic in recent years, there do exist many theoretical and technical problems, especially in the cases of noise, motion blurring, illumination changes, occlusion etc. Trajectories in video contain sufficient spatial and temporal information. They represent not only the spatial location of the object, but also the velocity and acceleration. Combined with the scene information, trajectory can also represent the high-level semantic information. Trajectory pattern learning is part of high-level object motion analysis. It is simply viewed as an unsupervised trajectory learning problem. After trajectory learning, several trajectory patterns are obtained. Therefore, the core of trajectory pattern learning and retrieval is how to learn and model trajectory patterns in an effective and efficient way. This thesis mainly focuses on robust object tracking and trajectory pattern learning. Specifically, we mainly discuss two topics: (1) appearance modeling based object tracking; (2) object trajectory pattern learning. Experimental results have demonstrated the effectiveness and robustness of our methods. The main contributions of this thesis are summarized as follows: 1. We propose a pyramid based appearance modeling for robust object tracking. Based on the incremental subspace learning, we introduce the idea of multi-scale analysis and divide the target appearance into three-level pyramid. Using incremental PCA, we conduct subspace appearance modeling for every sub-block of each pyramidal level and calculate their reconstruction errors respectively. In the particle filter framework, we conduct posteriori state estimation for the target and get tracking result. In addition to the pixel value feature, we make full use of the pyramidal structure and add the Haar-like feature and PHOG feature. They can describe the texture information and shape information of the target, making tracking result better. 2. We propose a trajectory learning framework using graph-based semi-supervised transductive learning...
馆藏号XWLW1650
其他标识符200828014629078
语种中文
文献类型学位论文
条目标识符http://ir.ia.ac.cn/handle/173211/7594
专题毕业生_硕士学位论文
推荐引用方式
GB/T 7714
刘洋. 金字塔表观跟踪与半监督轨迹学习[D]. 中国科学院自动化研究所. 中国科学院研究生院,2011.
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_20082801462907(9907KB) 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
[刘洋]的文章
百度学术
百度学术中相似的文章
[刘洋]的文章
必应学术
必应学术中相似的文章
[刘洋]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。