指导教师杨涛提交时间2015.3.28-西北工业大学.PDFVIP

数字图象处理作业 指导教师 ： 杨涛 提交时间 ：2015.3.28 The task of Digital Image Processing 数字图像处理 School of Computer Science No: 01 姓名 ： 范国龙 学号 ： 2012302419 班号 ： 数字图象处理作业 通过约束的序列标记的多目标跟踪 陈胜，阿兰·弗恩和米哈伊托多罗维奇 {chenshen, afern, sinisa}@eecs.oregonstate.edu 摘要 本文提出了一种新的方法来跟踪在拥挤的场景中的人，那里的人都受 到长期的 （部分）闭塞，并可能承担不同的姿势和关节。在视频中， 检测跟踪器出现不好的表现是因为被检测的人的出现是不可靠的，并 且普遍的假设是局部光滑轨迹并不存在。相反，我们使用时间的中级 特征（例如，supervoxels 或密集的点的轨迹）作为处理阻塞更连贯 的时空基础和姿态的变化。因此，我们制定了跟踪标记中层特征的对 象标识符，并为执行此标记指定一个新的的方法，称为约的序列标签 （CSL ）。CSL 使用成本函数的顺序指定标签的同时，尊重的含义硬 约束计算通过约束传播。这种方法的一个重要特征是，它允许使用灵 活的成本函数和约束捕获复杂依赖，不能代表标准网络流量公式。 1.简介： 本文提出了一种新的方法来跟踪多个在现实世界视频中互动的人，被 检测的人的出现是不确定的。例如行人在拥挤的场景中的视频，和团 队运动，比如篮球和排球。在这些视频中，人们都受到长期的部分或 全部遮挡。此外，在体育视频中，玩家可以呈现各种姿势和身体的关 节，他们的运动和外观（同队制服）通常类似于那些附近的玩家。这 数字图象处理作业 些挑战使国家的最先进的人探测器不可靠。如图所示。 {图1：包围盒的DPM 检测器[ 7 ] （左），和[ 20 ] （右）supervoxels 。DPM 往往错过检测玩家在人群中（顶部）和意想不到的姿势（下）。 supervoxels 更适合我们的具有挑战性的视频，因为他们的边界通常是对齐的部分边界促进自 下而上的推理。} 我们的实验证明，流行的DPM 探测器的响应[7]很嘈杂，导致国家的 基于检测的数据关联的最先进的追踪器性能差。这引起的问题是视频 功能可以适用于我们设置接地数据关联。 我们采取时间中等特征 - 即supervoxels[20]，而密点轨迹[5] - 作为 一个更为连贯时空的基础处理闭塞，姿势的变化，和非光滑轨迹。例 如，supervoxels 的边界通常配合人的轮廓。因此，跟踪中级特点的 正确组合有利于在自下而上的推理闭塞和不同的姿势。如图1 所示， 这能够帮助消除两个人的部分遮挡的地方。这些中级的功能，然而， 对常见的网络流量和数据关联使用对象检测相关制剂（例如，[ 14， 13，2，19，21，17 ]）提出了根本的挑战。特别是，一个人要跟踪 数字图象处理作业 通常是由未知数目的中层功能体现，在时间和空间上的分割和合并 的。因此，边容量不再能均匀和目标的设置不明确。后处理也需要从 流恢复身份。 处理上述问题的方法之一就是采用启发式的简化，直到产生问题 符合标准的网络流量制定和采用高效的求解器解决问题。例如，我们 可以根据中层特征尺寸假设合并和拆分的地方。然而，信息的丢失和 错误运用简化注射会导致无法弥补的精度损失，否定了利用高效的