探究直方图基于视觉目标跟踪算法结论

论文导读：标跟踪区域进行确定，此策略可有效的避开全局搜索计算。经过实验证明，光强自适应补偿的Camshift算法可有效的降低计算负担，增强目标跟踪的鲁棒性。(2)第三章针对关节式目标变化对子空间描述造成的影响，提出了一种基于增量学习关节式目标跟踪算法。该算法运用图割法和快速傅里叶变换对跟踪目标进行处理，可有效降低背景像素对目
摘要：随着计算机技术的不断进展，高质量廉价视频采集设备的出现，以及自动视频浅析需求的不断增加，基于视觉的目标跟踪在自动监控、视频检索、人机交互、交通监控以及视觉导航等领域得到了广泛运用。虽然探讨者们针对不同类型环境与不同类型目标的跟踪不足提出了多种基于视觉的目标跟踪算法，但是基于视觉的目标跟踪算法仍然有着以下不足：由3D到2D图像映射时的信息丢失；图像受噪声干扰；目标运动模型较为复杂；非刚体的关节式目标形变；目标部分或全部遮挡；目标结构复杂；场景光照变化和实时处理等。这使得基于视觉的目标跟踪算法至今仍然是计算机视觉领域的一个探讨热点。到目前为止学者们提出了多种目标跟踪算法。这些算法彼此间本质的区别在于对以下三个不足的解决策略：目标描述的选择不足；目标特点的选择不足；目标运动、外观、轮廓的建模不足。以上不足的答案取决于目标跟踪算法的具体运用环境。跟踪算法最大的挑战在于对目标外观变化的处理。本质的外观变化包括姿态变化、形状变化。而光照变化，目标被部分遮挡等引起的非本质变化不可避开的会引起外观变化。目标外观变化的恰当处理对实现跟踪算法的稳定性具有重要作用。由此，本论文重点探讨了跟踪算法的光照补偿不足，关节式目标跟踪不足以及多目标跟踪不足。本论文探讨工作的主要内容与革新点具体包括以下几个方面：(1)由于环境光照变化直接影响颜色直方图分布，由此，基于颜色直方图的Camshift（ContinuouslyAdaptive Mean-Shift）跟踪算法的跟踪效果必定会受光照变化的影响。在本论文第二章中提出的运用光强补偿策略对检测图像进行光照自适应补偿的策略可有效的解决该不足。鉴于Camshift算法目标搜索的计算复杂性，运用金字塔算法和直方图PCA（Principal component analysis）浅析策略对目标跟踪区域进行确定，此策略可有效的避开全局搜索计算。经过实验证明，光强自适应补偿的Camshift算法可有效的降低计算负担，增强目标跟踪的鲁棒性。(2)第三章针对关节式目标变化对子空间描述造成的影响，提出了一种基于增量学习关节式目标跟踪算法。该算法运用图割法和快速傅里叶变换对跟踪目标进行处理，可有效降低背景像素对目标描述的影响，避开了因目标位置对不准而造成的跟踪误差，对变换后幅度谱图像运用局部二值方式进行转换，并且在跟踪历程中将目标的多个局部二值方式图像进行奇异值分解和主元浅析，以而实现对目标的子空间描述。该算法在粒子滤波框架下实现。实验结果表明本章提出的关节式目标跟踪算法具有较好的目标跟踪效果。(3)第四章针对基于颜色信息的粒子滤波目标跟踪算法可能收敛于局部极值点的不足，提出了一种运用局部区分度作为粒子权重描述的目标跟踪算法。该算法运用局部区分度信息对相似性目标进行检测，实现了多相似性目标跟踪。通过实验验证，该策略不仅能够实现单目标的有效跟踪，而且也可实现多相似的目标跟踪。(4)在目标跟踪中，针对固定目标模板描述策略随着环境条件的变化而不能准确的对目标进行描述的不足，第五章提出了一种跟踪目标模板自适应更新的多目标检测与跟踪算法。该算法以目标的颜色直方图和方向梯度直方图作为目标描述，运用卡尔曼滤波和高斯模型分别对颜色直方图和方向梯度直方图进行更新，同时将目标的混合描述作为多相似性目标的检测策略，实现多相似性目标的检测与跟踪。实际的目标跟踪实验验证了该策略的有效性。关键词：颜色直方图论文Camshift算法论文主元浅析法论文子空间描述论文关节式目标论文局部二值方式论文粒子滤波论文方向梯度直方图论文高斯混合模型论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要5-11
ABSTRACT11
CONTENTS11-13
第一章 绪论13-23

1.1 探讨背景与作用13-14

1.2 目标跟踪探讨近况14-20

1.2.1 目标特点提取的探讨概况14-18

1.2.2 跟踪算法的探讨概况18-20

1.2.3 目标跟踪中有着的不足20

1.3 本论文的主要探讨内容20-22

1.4 本章小结22-23

第二章 光强自适应补偿的Camshift算法23-37

2.1 序言23-24

2.2 光强自适应补偿24-29

2.3 光强自适应补偿的Camshift算法29-32

2.3.1 目标部分颜色直方图计算29

2.3.2 背景投影29-30

2.3.3 Camshift算法30-32

2.4 实验结果浅析32-36

2.5 总结36-37

第三章 基于增量学习的关节式目标跟踪37-59

3.1 序言37-38

3.2 目标前景分割38-41

3.3 目标特点提取41-42

3.3.1 目标区论文导读：4基于区分度的粒子滤波跟踪算法65-814.4.1局部区分度计算65-704.4.2基于CHOG与局部区分度特点的粒子滤波跟踪算法70-714.4.3基于局部区分度的目标检测71-724.4.4实验结果与浅析72-814.5总结81-83第五章模板更新的多目标检测与跟踪83-1015.1序言835.2模板更新的目标跟踪83-895.

2.1模板更新85-875.2模板更新的粒子

域傅里叶变换的幅度谱表示41

3.2 幅度谱的局部二值方式处理41-42

3.4 基于增量学习的特点提取42-45

3.5 粒子滤波的动态模型与观测模型45

3.6 算法的整体流程45-46

3.7 实验结果与浅析46-58

3.8 总结58-59

第四章 相似目标检测与多目标跟踪59-83

4.1 序言59

4.2 相关探讨59-61

4.3 基于粒子滤波的目标跟踪61-65

4.

3.1 基于颜色的粒子滤波跟踪61-64

4.

3.2 基于颜色与方向梯度直方图的粒子滤波目标跟踪64-65

4.4 基于区分度的粒子滤波跟踪算法65-81

4.1 局部区分度计算65-70

4.2 基于CHOG与局部区分度特点的粒子滤波跟踪算法70-71

4.3 基于局部区分度的目标检测71-72

4.4 实验结果与浅析72-81

4.5 总结81-83

第五章 模板更新的多目标检测与跟踪83-101

5.1 序言83

5.2 模板更新的目标跟踪83-89

5.

2.1 模板更新85-87

5.

2.2 模板更新的粒子滤波跟踪87-89

5.3 目标检测与遮挡处理89-92
5.

3.1 目标检测89-92

5.

3.2 目标遮挡处理92

5.4 实验验证92-99

5.5 本章小结99-101

总结与展望101-103
参考文献103-115
攻读博士学位期间取得的探讨成果115-117
致谢117-118
附件118