株洲名人特色库
全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
专家
纪念场所
-
复杂场景中的目标检测与跟踪研究
-
作者：
丁建伟 来源：中国科学院大学 年份：2012 文献类型 ：学位论文 关键词： 流形学习 运动模糊 运动目标检测 粒子滤波 马尔科夫随机场 目标跟踪
-
描述：运动目标检测和目标跟踪是计算机视觉领域的两个重要研究问题，在视频监控、人机交互、智能交通和运动分析等都有广泛的应用和商业价值。虽然经过人们多年的研究，目标检测和跟踪技术已有了长足的发展，但是要实现复杂场景下鲁棒的目标检测和跟踪依然还有很多问题需要解决。 本文以复杂场景下的运动目标检测和目标跟踪作为研究对象，针对复杂场景存在的光照变化、杂乱背景、复杂运动等诸多难点问题进行了深入研究，在复杂场景建模、目标的表观模型、跟踪的搜索策略以及严重模糊视频中的跟踪等方面取得了一些成果，论文的主要工作和贡献如下: ①为了提高复杂动态场景下基于场景建模的运动目标检测方法的性能，我们提出了一种基于最大后验概率-马尔科夫随机场的在线非监督的前景提取算法，将前景提取问题看成是像素的分类问题，并最终转化成能量优化问题。在这个优化问题中，我们融合了颜色、位置、时间连续性和空间一致性四种特征信息来提高算法的准确率和鲁棒性。在基于这几种特征来学习前景和背景像素的概率分布时，我们提出了一系列新的非监督的在线学习方式，从而能更有效的判断像素的类别。优化问题的求解是通过最大流算法完成的，这样可以保证求解结果是全局最优的。实验证明，该算法能有效避免前景提取结果中的噪声和空洞，抵抗动态背景干扰的能力大大加强。 ②借鉴交互式分割这种半监督算法，我们提出了基于两阶段优化方法的运动前景提取算法。该方法首先基于颜色和运动信息提取部分可靠的前景和背景像素点，然后根据这些可靠像素点的信息得到前景提取的可靠约束，在最大后验概率-马尔科夫随机场框架下，基于交互式图割算法得到了非常精确的运动前景。该方法吸取了多级过滤方式和弱监督学习算法的优点，能够显著提高算法在复杂场景中的精度和鲁棒性。 ③为了提高跟踪算法在处理复杂场景中如光照突变、姿态变化、杂乱背景以及复杂运动等难题的性能，我们从表观模型和跟踪策略两方面展开研究，提出了一种基于局部表观流形学习和新的SSIR粒子滤波器的跟踪算法。在表观模型方面，我们将原始高维表观数据转换到低维流形空间进行建模，提出了基于在线局部结构化流形学习的方式来描述目标的表观。这种建模方式不仪提供了一种对物体的整体描述，而且更对表观数据在低维流形空间中的分布赋予了局部结构的概念，可以处理高度非线性的数据，并学习得到更鲁棒的表观模型。在跟踪策略方面，我们改善了传统的SIR粒子滤波器在生成粒子过程中的一些缺陷，提出了一种新的SSIR粒子滤波器。基于新的SSIR粒子滤波器，生成的粒子将更加集中于目标最有可能的状态周围，这样最终估计得到的目标状态将更加精确，目标的漂移问题也可以得到缓解。 ④针对复杂场景下视频中存在严重模糊的情况，或者视频是由低速廉价摄像头拍摄的低质量视频，我们提出了一种新的基于粒子滤波框架数据驱动的跟踪算法。算法首先对输入图像做傅立叶分析并提取频域特征，检测图像是否存在模糊，然后基于检测结果进行相应的处理，这样可以提高效率。对于图像中存在模糊的情况，目标的表观模型融入了一系列不同方向和幅度的运动模糊核，以提高模板匹配的准确性，而且在跟踪的运动模型中我们也考虑了目标可能的突然运动模式，这样进一步避免了跟丢目标。实验表明该方法能很好的跟踪视频中存在严重模糊的目标，并且具有较高的效率。 总的说来，本文在针对复杂场景中的运动目标检测和目标跟踪作了有益的探索，取得了一定的研究成果。
-
基于纹理分析和颜色特征的虹膜图像分类
-
作者：
张慧 来源：中国科学院研究生院 年份：2012 文献类型 ：学位论文 关键词： 流形学习 运动模糊 运动目标检测 粒子滤波 马尔科夫随机场 目标跟踪
-
描述：基于纹理分析和颜色特征的虹膜图像分类
-
融合眼周和虹膜信息的身份识别
-
作者：
张小博 来源：中国科学院研究生院 年份：2012 文献类型 ：学位论文 关键词： 流形学习 运动模糊 运动目标检测 粒子滤波 马尔科夫随机场 目标跟踪
-
描述：融合眼周和虹膜信息的身份识别
-
基于视觉显著性的目标分类与检测研究
-
作者：
黄永祯 来源：中国科学院研究生院 年份：2011 文献类型 ：学位论文 关键词： 非欧氏空间 目标检测 模式识别 特征关系建模 特征表达 目标分类
-
描述：基于视觉显著性的目标分类与检测研究
-
复杂场景下的运动目标检测
-
作者：
刘舟 来源：中国科学院自动化研究所 年份：2009 文献类型 ：学位论文 关键词： 背景建模 遗弃物检测 动态背景 运动目标检测 阴影去除
-
描述：随着人们安防意识的不断提高，智能视觉监控的应用前景也越来越广。运动目标检 测作为智能监控中的底层问题，是后续各种处理环节的基础，也是视觉监控技术自动化和 实时应用的关键。本文对基于背景建模的运动目标检测中的三个关键问题(阴影、动态背 景、前景与背景相似)进行了研究。同时，还针对监控场景的实际需要，对遗弃物检测进 行了探索。主要工作和贡献有： ①提出了一种阴影去除方法，它能有效克服基于颜色特征的阴影去除方法需要固定阈 值的缺点。我们首先基于阴影的像素级信息、局部区域信息和全局信息构建阴影模 型。在像素级，我们用混合高斯模型来对阴影的特征进行建模。为了提高阴影模型 的收敛速度，我们用局部区域信息获取更多的样本，同时通过全局信息来动态估计 预分类器的参数从而提高样本的质量。该预分类器反映了当前帧中阴影的颜色特 征。阴影的全局统计信息能有效地估计分类器中的参数，并使该分类器能够随着阴 影特性的变化而发生改变，从而能有效克服基于颜色特征的阴影去除方法需要固 定阈值的缺点。然后，在阴影模型的基础上，我们利用马尔可夫随机场(Markov Random Field，MRF)构建像素点的标号(阴影或非阴影)与相邻像素点阴影模型的 联系来进行阴影去除。 ②针对GMM(Gaussian Mixture Model)方法和KDE(Kernel Density Estimation)方法 的不足，构建了KDE-GMM混合模型(KDE GMM Hybrid Model，KGHM)用于背景 建模。GMM方法和KDE方法是目前最常用的两种背景建模方法。因为它们没有融 合空间信息，对于处理扰动剧烈的背景时，如海浪和喷泉，会造成大量误检测。 除此之外，GMM方法需要手工设定模型中高斯成份的数量，KDE方法需要存储大 量样本而且核函数窗宽的选择对于概率密度估计也非常重要。当应用于背景建模 时，KDE-GMM混合模型能有效克服上述KDE方法和GMM方法的不足。该模型通过 以下两种方式融合空间信息：第一，该KGHM模型是构建在栅格(grid)基础上的， 即对每个栅格的颜色信息用混和高斯建模；第二，核函数用于构建样本与与之相 邻栅格背景之间的联系。虽然KGHM中也用了核函数，但是我们的方法不需要存储 样本，这是因为场景中每个位置的坐标并不随着时间的推移而发生改变。核函数 中窗宽的选择取决于背景的动态程度，因此窗宽的选择更直观也更方便。同时， 在KGHM中，我们采用高斯合并和去除方法动态确定混合分布中高斯成份的数目。 ③基于KDHM模型，提出了一种能同时处理动态背景和阴影的运动目标检测方法。 首先基于KGHM，构建背景、前景和阴影的概率密度函数；然后通过构建运动目 标和非运动目标的概率密度函数将一个三类分类问题(背景、前景和阴影)转 变为一个两类的分类问题(运动目标和非运动目标)；最后用MAP(Maximum A Posteriori)-MRF框架完成运动目标和非运动目标的分类。 ④基于目标模型信息，提出了一种目标检测方法，它能有效处理因前景和背景相似而 造成的误检测问题。基于运动目标的目标模型和目标的状态信息，我们首先构造出 前景模型用来加强当前帧的前景分割；接着，我们提出一种MRF模型用于运动目标 的分割，该MRF型中包含了用于描述运动目标状态的隐藏变量；最后，在给定目 标分割结果的基础上，我们采用SIR(Sampling Importance Resampling)对目标状态 进行采样。之所以需要采样是因为MRF模型中含有隐藏变量，而目标分割需要对该 隐藏变量求积分。在该算法中，我们将隐藏变量作为缺失数据(Missing Data)，然 后应用EM(Expectation Maximization)算法来迭代地提高目标分割精度。在这里， 检测算法之所以能够处理因前景与背景相似所造成的误检测问题是因为前景模型是 基于目标模型构建的，而目标模型又能为对应目标的分割提供轮廓和颜色等先验信 息。 ⑤针对监控中的实际需求，基于背景建模思想提出了一种无需跟踪过程的遗弃物检测 方法，它能有效克服复杂场景中因为跟踪的不准确而可能带来的误报。它主要利用 了遗弃物的三个特征：首先，遗弃物从长时间来看是运动的，而短时间内又是静止 的；其次，当场景中某像素点上出现遗弃物后，遗弃物在该像素点上表现的特性与 背景在该像素点上表现的特性相同，即与背景建模思想类似我们也可以在对应像素 点构建用于描述遗弃物颜色分布的模型；最后，遗弃物的边缘通常比较明显。