论文部分内容阅读
目标检测与跟踪作为计算机视觉研究领域的一个重要组成部分,未来有望广泛应用于运动的识别、自动监督、视频检索、人机交互等诸多现代技术领域。而传统的目标检测与跟踪算法一般只采用图像底层的视觉特征来构建目标描述子,获得目标外观的描述,来进行目标检测与跟踪;或者通过简单的背景建模方式来区分前景和背景,从而获取目标的位置信息,实现目标的检测与跟踪。然而在实际过程中,除了存在目标自身姿态、尺度、旋转、平移变化,还存在光照变化、复杂背景、目标遮挡等挑战。由于底层特征对这些变化不具有不变性,无法精确的描述目标,造成跟踪器失效。因为局部特征对目标检测与跟踪过程中的变换具有良好的不变性,所以通过提取目标的局部特征,构建鲁棒的目标描述子并结合鲁棒的目标检测与跟踪框架成为了目标检测与跟踪技术研究中的一个热点。在目标检测方面,首先分析了HOG-PCA描述子和支持向量机目标检测方法的优势与不足。针对在提取HOG局部特征时采用传统四象限组合成块方式,构建的目标描述子不能精确的描述目标,并对后续提取特征主元没有优势的不足,提出了一种改进HOG-PCA特征描述子的方法,在提取HOG特征时采用极坐标组合块方法代替传统四象限的方法,构建能更精确表示目标的描述子。另一方面通过循环采样的方式代替传统的随机采样方式,构建用于SVM训练的正负样本,使训练器训练的结果更加精确。通过提取正负样本改进后的HOG-PCA描述子,进行主成分分析,然后作为样本数据,用于支持向量机分类器的训练,最后将训练好的分类器用于目标的检测。在目标跟踪方面,同样从提取目标的局部特征,构建鲁棒的目标描述子出发,针对传统的空时上下文跟踪器中只使用高斯加权的底层灰度特征来获得目标的特征描述,在复杂场景下,不能获到鲁棒跟踪结果的不足。本文通过提取目标图像的局部圆域混合块LBP特征,构造图像的响应图,获得了目标的外观描述,然后在贝叶斯框架下对目标和它的局部上下文区域的时空关系进行建模,提出了一种利用目标周围上下文视觉显著信息进行跟踪的算法。本文在目标检测方面使用了INRIA行人数据集来对改进后HOG-PCA特征的SVM目标检测方法进行了全面的测试,将其与原来的算法进行了比对,实验结果表明改进后的算法能够明显的降低目标的误检率。在目标跟踪方面使用了大量的经典跟踪视频集对算法进行了全面的测试,也加入了另外三种经典跟踪算法的结果来进行比较与分析,实验表明本文算法的性能要胜于其他跟踪算法。最后,对本文的研究内容进行了全面的总结,并为后续的研究工作提供了思路。