论文部分内容阅读
运动目标检测与跟踪是通过对视频序列图像帧中的目标进行检测、定位和跟踪获得目标的运动轨迹的过程,对理解目标的行为目的以及基于视觉的应用具有重要意义。本文在对已有工作研究的基础上,通过探索特征提取表示、特征信息压缩表示、多示例学习框架以及并行化算法应用等关键技术,创新性地提出了改善学习性能和提高计算效率的解决方法。主要研究内容如下:1.目标图像的特征表示方法研究和改进。研究了两种图像特征表示方法,并在实验中比较了它们在运动目标跟踪中的差异。(1)针对随机化Haar-Like特征维度高的特点,引入压缩传感理论,对特征进行稀疏变换和压缩投影,实现了低维度向量C-Haar-Like特征表示,实验结果表明:改进的C-Haar-Like算法在目标跟踪的时间复杂度和中心位置错误CLE都优于Haar-Like算法。(2)针对目标图像受场景干扰、光照变化、目标姿势形态变化等干扰,选择用Harris角点的特征提取方法,通过区域划分直方图解决了目标图像角点不一致问题,实现了低维的特征向量快速提取。实验结果表明:基于Harris角点的特征提取方法跟踪效果稳定。2.基于多示例学习的目标跟踪算法研究和改进。在研究了两种外观模型的学习算法Online-Boosting算法(OAB)和在线多示例学习算法(OMB)的基础上,针对样本数据和弱分类器学习算法中无偏好问题,提出了样本权重和弱分类器权重的思路,设计和实现了改进算法WIOMB和WCOMB,对8个不同类型的公开视频进行测试,实验结果表明:改进算法具有较高的鲁棒性和跟踪精度。3.基于多核并行MapRedue的目标跟踪算法研究与实现。为了充分利用多核硬件性能,满足加速目标跟踪的需求,在研究MapReduce模型和在线多示例学习算法基础上,提出了多核并行MapReduce框架下的目标跟踪算法,实验研究表明:该算法在加速比、可扩展性和规模增长性方面有改善,跟踪算法的执行速度提高,验证了改进算法的有效性。