【摘 要】
:
近年来,随着计算机硬件设备的迅速发展和进步,图像采集设备逐渐在人类生活的各个领域得到了广泛应用,从而使得计算机视觉领域中以运动目标图像为研究对象的目标跟踪技术受到国内外研究人员的广泛关注。目标跟踪技术是一门融合了数字图像处理、模式识别、机器学习、数理统计、生物学以及心理学等多方面前沿理论的跨学科综合技术。目标跟踪技术作为计算视觉领域中的核心技术之一,目前已经融入到人类生活的各个方面,特别是在智能视
论文部分内容阅读
近年来,随着计算机硬件设备的迅速发展和进步,图像采集设备逐渐在人类生活的各个领域得到了广泛应用,从而使得计算机视觉领域中以运动目标图像为研究对象的目标跟踪技术受到国内外研究人员的广泛关注。目标跟踪技术是一门融合了数字图像处理、模式识别、机器学习、数理统计、生物学以及心理学等多方面前沿理论的跨学科综合技术。目标跟踪技术作为计算视觉领域中的核心技术之一,目前已经融入到人类生活的各个方面,特别是在智能视频监控、人机交互以及军事国防建设等领域有广阔的应用前景。在计算机视觉系统中,准确地跟踪目标是后续目标识别和行为分析的基础,但是由于被跟踪的目标周围环境的复杂性以及目标自身外观的多变性,研究一种具有普适性的目标跟踪算法仍然是一种非常具有挑战性的工作。在此背景下,本论文主要在深入研究现有在线目标跟踪算法的基础之上,针对目标外观模型的在线建模和学习过程中存在的缺点和不足,提出了三个在线跟踪算法提高了目标跟踪的鲁棒性。本文的主要研究内容如下:压缩感知跟踪算法是一种在压缩域进行目标外观模型的建立和更新,再利用模型进行目标定位的检测跟踪算法。然而,压缩感知跟踪算法采用单一分类器进行目标跟踪,如果选择定位的区域产生漂移,分类器将会变得越来越不准确最终导致目标丢失。此外压缩感知跟踪算法采用恒定的学习率更新分类器,如果目标经历一段较长时间的严重遮挡,分类器中目标特征将被遮挡特征所取代,从而导致目标的丢失。为了解决上述问题,本文提出一种基于混合分类器决策的压缩感知跟踪算法。在跟踪的过程中,该跟踪算法采用混合分类器决策模型对目标进行定位,并且针对混合分类决策模型提出了使用动态的学习率对外观模型进行更新的策略。从而有效提高了跟踪算法处理遮挡、背景混杂等干扰因素的能力。L1稀疏表示是一种生成模式的跟踪算法,可以有效的适应目标外观的变化,但是却丢失了目标的背景信息。而压缩感知跟踪是一种判别模式的算法,可以有效利用目标的背景信息,但是在跟踪过程中缺乏一种有效的机制对跟踪结果进行评价。为了利用两类跟踪算法的优点进行融合跟踪,本文提出一种融合L1稀疏表示检测的压缩感知跟踪算法。主要创新点在于通过采用L1稀疏表示方法对判别模式的分类器的跟踪结果进行检测反馈,并根据检测结果选择不同阶段的分类器对目标进行跟踪。与此同时,针对不同阶段分类器的跟踪过程中稀疏表示字典中模板更新问题,使用一个二阶段的模版更新策略来保持字典中最具有代表性的模板。从而使得融合跟踪算法在复杂环境下具有更好的鲁棒性。近年来,基于核化相关滤波的跟踪算法(KCF)在精度、成功率以及速度上战胜了以前提出的大部分跟踪算法。然而,当目标经历剧烈外观变化时,固定每帧进行滤波器更新的KCF跟踪算法容易在定位目标时容易产生漂移。此外,KCF跟踪算法在经历长时间的遮挡等干扰因素的影响下,滤波器模型会丢失真实的目标外观,从而导致目标丢失后无法重新定位。为解决上述问题,本文提出一种基于多阶段学习的相关滤波跟踪算法,主要创新在于:提出了包括全局阶段滤波器模型、一致性阶段滤波器模型以及初始阶段滤波器模型的多阶段学习滤波器模型并行的对目标进行跟踪;在此基础上,采用向前向后跟踪的方式选择“纯洁”的训练样本对一致性阶段滤波器进行更新,从而使得三个滤波器模型对应的外观模型存在互补的关系。实验结果表明,多阶段学习的滤波器模型不仅可以有效的缓解KCF跟踪算法的漂移问题,而且可以在局部范围内实现目标丢失后的重新定位。
其他文献
现代密码技术是保障信息系统安全的基础,而作为密码算法运行载体的密码设备正受到多种侧信道分析攻击的威胁。目前学术界和工业界都已普遍接受侧信道分析方法对密码设备构成的严重威胁,并对侧信道防护方法进行了广泛的研究。目前的侧信道防护方法可以分为隐藏技术和掩码技术两类,其中算法级掩码防护方案是尤其受到关注的防护方法。在现有大量的掩码方案研究中,基于秘密共享的多种高阶掩码方案实现了在任意给定阶数下的可证明安全
根据摩尔定律,当价格不变时,集成电路上可容纳的元器件的数目,约每隔18-24个月便会增加一倍,性能也将提升一倍。现如今,半导体器件的特征尺寸从微米级缩减至7纳米,逐渐接近摩尔定律的极限。深纳米尺寸的电子器件面临众多复杂且难以解决的量子效应,给半导体行业带来前所未有的挑战。与此同时,人工智能飞速发展,由谷歌(Google)旗下DeepMind公司开发的人工智能机器人AlphaGo吸引人们对深度学习的
近年来,随着科技的迅猛发展,智能手机、电脑、可穿戴设备、智能家居设备和无人机等电子产品已被广泛使用并将逐步普及,这给人们的生活带来了极大的便利。然而,这些产品续航能力不足的问题也渐渐的凸显出来。可见,以低功耗设计为优化目标的产品是当今绿色智能电子设备发展的必由之路。智能电子设备中最重要的组成部分是处理器和存储器,这两部分通常也是功耗开销的主要部分。随着半导体工艺的进步,处理器的运行速度越来越快,而
软硬件划分是软硬件协同设计中关键步骤之一,随着嵌入式系统任务复杂度和设计规模的增加,已逐步成为一个具有挑战性的优化问题。粒子群算法因其概念简单、实现容易和收敛速度快,已被广泛应用于软硬件划分问题中。但是没有一种通用的算法能够有效地解决所有类型的软硬件划分问题,采用粒子群算法求解软硬件划分存在如下问题:1)早熟收敛;2)容易陷入局部最优解;3)时间开销高。为了解决粒子群算法求解软硬件划分中的问题,本
对于软件开发和维护人员来说,软件调试是日常性的工作。一般而言,软件调试过程包括错误定位、错误理解和错误更正。不幸的是,软件调试极其费时、费力,实证研究证实软件调试的开销己经超过软件开发费用的50%。为了应对这一挑战,人们提出软件调试的自动化处理,并且对其展开了广泛而深入的研究。但是,由于软件本身的复杂性,软件演化等原因,目前的自动化软件调试方法存在一些问题,如调试结果的质量不高,调试方法的适用性不
计算机视觉领域的研究涉及众多的学科,而运动目标的跟踪技术是其中重要的研究方向之一。近年来,随着计算机图像处理、模式识别、人工智能以及相关学科研究的不断深入,目标跟踪技术也得到了长足的进步。目前在这一领域的研究主要集中在两个大的方向上,其一是基于先验知识的目标跟踪技术研究,在获得初始的目标运动信息的基础上进行目标的跟踪;其二是不依赖于先验知识的目标跟踪技术研究,通过在视频中识别并检测出感兴趣的目标完
接触式图像传感器于20世纪80年代末面世,1998年首次应用于扫描仪,21世纪初开始广泛应用于金融机具中,例如点钞机、清分机、ATM机等,目前仍处于发展阶段。在金融机具应用背景下,接触式图像传感器的图像存在分辨率丢失、三色分离及噪声问题,对于这些问题的研究,目前仍处于起步阶段。本文将金融机具应用背景下的接触式图像传感器的彩色图像作为主要研究对象,旨在采用软件算法的方式解决其分辨率丢失问题、三色分离
云计算和大数据时代,数据比算法更能深刻的影响计算结果。根据需求度量价值的原则,以按需服务的视角来理解价值,那么价值即服务,即VaaS(Value as a Service)。从数据中发现价值信息并为用户所用,就可以理解成从数据中按需进行价值服务发现的问题。面对互联网上的各种数据资源,如何从中获取知识以支撑价值服务的发现成为亟待解决的一个重要问题。数据规模的剧增以及数据本身结构的复杂性,增加了价值服
SaaS软件所处环境的开放性和动态性导致其在长时间运行过程中可能出现性能降级问题,根据动态变化的环境快速优化SaaS软件的部署方案是应对该问题的一种有效途径。然而,SaaS软件的服务化特点及其运行平台的硬件虚拟化特点使得传统的部署优化方法无法直接用于解决SaaS软件的部署优化问题。为此,本文针对SaaS软件的部署特点,提出了一种能够在运行时自动为SaaS软件寻找性能最优部署方案的方法,具体内容如下
由于包含信息量丰富,且直观易懂,图像视频在数字传媒、智能系统、社交娱乐、网络直播、监控安防和军事侦查等多个领域都有重要应用。上述应用通常以对图像视频内容进行准确理解和可靠编辑为前提,而人类视觉感知系统对色调高度敏感,因此以色调为线索或载体进行图像视频内容理解和编辑受到了大量的关注,现已发展成为计算机图形学、计算机视觉和图像视频处理领域的一个热点研究问题。色调敏感的图像视频内容理解与编辑以色调信息为