复杂环境下的单目视觉跟踪方法研究-交通信息工程及控制专业论文.docx

The Research for Object Tracking Methods with Complex Scene Clutter A Dissertation Submitted for the Degree of Master Candidate：Fang Jianwu Supervisor：Prof. Xu Hongke Chang’an University, Xi’an, China 论文独创性声明 本人声明:本人所呈交的学位论文是在导师的指导下，独立进行研究 工作所取得的成果 。除论文中已经注 明引用的内容外，对论文的研究做出 重要员献的个人和集体，均 己在文中以明确方式标明。 本论文中不包含任 何未加明确注明的其他个人或集体已经公开发表的成果。 本声明的法律责任由本人承担。 论文作者签名: 存叫、 O\2 年 r 月 J 日 论文知识产权权属 声明 本人:([导师指导下所完成的论文及相关的职务作品 ，知识产权归属 学 校。学校字有 以任何方式发表、复 制、公开阅览、借阅以及申请专利等权 利。本人 离校后发表或使用学位论文或与该论文直接相关的学术论文或成 果时， 署名单位仍然为长安大学。 (保密的伦文在解密后应遵守此规定 〉 论文作者签名: 易叫 导 师 签名: 啊对 .2，..D I .2年 s 月 j i 日 μ厅 L 年 f 月SIT 日 i i PAGE PAGE vi 摘 要 视频目标跟踪一直以来作为计算机视觉领域的热门领域，在多媒体应用、安防、交 通监控、行为识别、虚拟现实中有广泛的应用。然而在实际中，由于复杂的环境干扰（遮 挡、目标本身形状变化及光照变化），使得目标准确且快速的跟踪成为计算机视觉研究 领域中的一大挑战。针对以上的问题，本文分别从三个框架：（1）背景更新框架；（2） 检测-聚类（Detection by Grouping）框架（特征点、特征区域）及（3）检测-分类（Detection by Classification）框架（基于检测和学习），来进行研究。 对于背景更新模型框架，本文在分析了目前三种流行的背景更新模型（混合高斯模 型（GMM），码书模型（codebook），自适应混合高斯模型（Adaptive GMM））的基础 上，从背景更新时间及前景目标的完备性上选择 Adaptive GMM 作为本文的前景检测模 型。但是 Adaptive GMM 对于摇动的树叶、喷泉、摄像机抖动等环境干扰的抑制性能还 需要通过其他的条件约束进一步提高，为此本文从真实目标运动方向的一致性出发，在 Adaptive GMM 前景检测结果的基础上先后加入运动模板估计及运动矢量（motion，后 续以“motion”表述）平滑约束进行目标限制。得到了良好的前景检测结果。但是基于 前景的目标跟踪方法在摄像机不固定的情况下，Adaptive GMM 几乎不可能得到比较好 的背景，所以后续的 motion 约束就无法施展。为此本文在“Detection by Grouping”框 架下进一步进行了研究。 对于“Detection by Grouping”框架，本章首先从特征点的选取入手，通过多种特征 点（比如 SIFT，SURF，BRIEF，ORB 等）在光照不变性、尺度不变性、旋转不变性及 抗模糊和跟踪准确性上综合得出相对较好的 SURF。当前，利用 Mean Shift 做相邻帧的 数据关联仍然是目标跟踪的主流，但是 Mean Shift 算法存在以下问题：（1）初始窗口自 适应性差，（2）易受初始化目标区域的影响，（3）易受目标运动速度影响。所以本文研 究将 SURF 与 Mean Shift 进行融合，提出了基于 SURF 和局部 Mean Shift 的目标跟踪算 法（SURF-LMS）。通过和 MS 进行比较，跟踪准确性上得到了很大的改善。但是这种 框架下，特征点很容易在相似邻域内发生漂移。 当前，一些基于“Detection by Classification”框架的在线学习跟踪算法相比上面提 到的两个框架下的算法具有更好的跟踪性能。但是这些在线跟踪算法仍然存在一些问 题：（1）构建目标性状（appearance model）所用的全局目标结构在有遮挡、目标性状变 化及光照变化的干扰下，很难获得良好的跟踪效果。（2）缺乏对当前样本的估计，导致 一些“过学习”现象的发生。（3）缺少合适的 motion 模型去优化目标的定位。为了解 决这些问题，本文提出了基于样本选择和几何约束的分块 Online AdaBoost 目标跟踪算 法（简称 P-OAB-MW）。主要的贡献为三个方面：（1）一个新颖的局部分块结构被应用 于 Online AdaBoost Tracking (OA