动态场景中的物体跟踪与分割方法的研究
文献类型：学位论文
| 作者 | 项翔 |
| 答辩日期 | 2012-05-29 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院研究生院 |
| 授予地点 | 北京 |
| 导师 | 陈熙霖 |
| 关键词 | 物体跟踪 运动物体分割 动态场景 视频分析 |
| 学位专业 | 其它专业 |
| 英文摘要 | 物体跟踪和运动物体分割是计算机视觉中两个本质问题，并广泛应用在视频分析中，如动作识别、身份识别等。本文旨在含动态场景的视频中不限物体类别地跟踪和分割运动物体。在技术路线上，之所以将分割运动物体的问题作为物体跟踪和局部分割两个问题对待，是为了克服全局图优化在种子标记精度上的缺陷，同时方便应用先验。并且，互联网上丰富的已标定数据使得先验学习可行。本文贡献包含两个方面： （1）提出了一个鲁棒的基于在线多实例学习和粒子滤波的跟踪方法，其主体是运动模型增强的多实例跟踪算法。在线多实例学习优化了外观模型的样本选择，而粒子滤波则增强了运动模型。实验证明了两者的互补促成了一个跟踪精度较高且较鲁棒的独立的跟踪算法。 （2）提出了一个新颖的互联网数据驱动的先验学习的在线算法，并且将该先验学习算法与图割算法形式化为一个整体。图割算法是形式化分割问题为优化问题的有力工具，但是如何让它能在动态场景中能够工作是一个实际问题。本文提出的先验学习算法能够有效地辅助图割算法，使其在处理动态场景视频时仍能取得不错的性能。 本文的创新之处体现在整体的在线学习先验的方式上： （1）在线选取训练数据：基于互联网的样本在线检索和排序、在线权重学习，进而构成针对特定测试输入的训练集。 （2）在线选取测试数据：通过物体跟踪得到局部小图作为测试样本，但跟踪算法本身就是在在线学习（分类）算法。 （3）在得到训练数据和测试数据之后，基于核主成份分析，在线学习算法得到形状能量项和种子标记，改进了标准的图割算法。 |
| 学科主题 | 人工智能 |
| 语种 | 中文 |
| 公开日期 | 2012-07-05 |
| 源URL | [http://ictir.ict.ac.cn/handle/311040/1494]  |
| 专题 | 中国科学院计算技术研究所学位论文_2012硕士 |
| 推荐引用方式 GB/T 7714 | 项翔. 动态场景中的物体跟踪与分割方法的研究[D]. 北京. 中国科学院研究生院. 2012. |
入库方式： OAI收割
来源：计算技术研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。