论文部分内容阅读
计算机视觉(Computer Vision,简称CV)是一门研究如何使机器“看”的科学,即摄影机和计算机代替人眼和人脑的某些功能完成对目标进行识别、跟踪和测量等机器视觉任务。运动目标检测(Moving Object Detection,MOD)和视觉目标跟踪(Visual Object Tracking,VOT)是CV领域研究中具有挑战性和战略性的研究方向,它们在制导武器、智能导航、视频监控等领域都发挥着重要的作用。 本文的研究重点就是CV领域的MOD和VOT两个方面。具体来说,本文基于CV领域中前辈学者的研究成果上,对现有的运动目标检测和视觉跟踪方法做出一系列改进,改善算法的检测和跟踪性能,具体来说主要有以下三个方面: (1)本文基于特征匹配方法提出一种实时的目标检测算法。本算法对目标参考图进行仿射变换生成不同视角下的训练样本,该视角包括尺度、旋转等变化。之后,对不同视角下的样本检测角点,并基于角点提取量化直方图特征。再构造特征的索引表,便于在检测过程通过该索引值缩小检测范围,提高算法实时性能。为了提高检测性能,将检测结果提取的特征与原始特征库特征进行比对,依据相似度判定是否将新特征添加到特征库,这样随着检测进行特征库具有更全面、精确的描述目标的能力。通过对公共测试集进行ROC和PR测试,证明本算法在检测准确性方面比现有经典方法具有更好的性能。 (2)本文提出了一种基于在线特征选择的实时压缩跟踪算法。首先,将子区域特征思想融入原算法特征提取方式,构造能够描述该子区域的局部特征。其次,针对跟踪阶段特征不变问题,通过构造一个特征池,跟踪过程中在线从候选特征池中选择置信度较高的特征以构造分类器,提高对前景和背景的判别能力。实验结果表明,该算法在跟踪准确性和鲁棒性方面对比目前几种经典算法有更好的表现,且该算法实时性能优秀。 (3)本文基于多样例学习方法提出一种改进的基于在线多样例学习的视觉跟踪算法。不同正样本对于外表模型应该具有不同的权值,本文基于特征相似度为不同正样本给予不同的权重,增大优秀正样本对于外表模型的贡献,提高外表模型的判别能力。同时对原始特征进行改进,跟踪特征采用纹理特征和灰度特征的组合,并修改了正负样本特征的先验概率分布表达形式。实验结果表明,带权值的样本增加了外表模型对于前景和背景的区分能力,且改进后的特征使算法在目标旋转或者纹理剧烈变化时具有更加稳定准确的性能。