大学硕士学位论文,大学硕士学位论文,万方数据三峡万方数据三峡大学硕士学位论文,特征描述符串联起来就可以得到检测目标的特征描述符了，即为可供分类器使用的特征向量。特征特征是计算机视觉中种常用的特征描述算子，对图像局部空间信息进行编码，进而反映图像局部位置像素的强度差异。它最早是由等人提出，主要应用于人脸表示。个特征表现为几个矩形区域的像素和的差值，而矩形区域的位置和尺寸是不受限制的。目前常用的特征可以分为以下几类，如下图所示。图特征的四种模型由图知，有种边缘特征，种线性特征，种点特征有和种对角线特征。将黑色区域的所有像素与白色区域的所有像素做差来进行特征的计算。对于幅图像，提取的特征的数量远远超过图像本身。因此在实际跟踪中，通常训练的样本可达近万个，若每次计算特征值时都要统计矩形区域中的像素和，会大大降低后期应用程序的处理速度,针对该问题，等人提出了使用积分图的方法来计算图像的特征，大大提高了图像特征的计算效率。支持向量机支持向量机是种二分类线性分类器，其英文名为，故般简称，在特征空间找到个使正负样本间隔最大的超平面，向量机的学习策略就是最大化正负样本之间的间隔，最终把间隔最大化问题转化为求解凸万方数据三峡大学硕士学位论文二次规划问题。我们利用最简单的线性分类器来阐述的工作原理。给定些分别属于两个不同类的数据点。设计个线性分类器完成这些数据点的二分类。数据点用来表示，用表示类别可以取或者，分别代表两个不同的类，线性分类器的关键在于找到个超平面实现数据点在维的数据空间中的二分类，超平面方程如下中的代表转置当时，数据点在超平面上，而的数据点对应的数据点对应，如下图所示。如若分类数据非线性，基于定理，把样本空间映射到高维特征空间，可使用线性方法解决样本空间的非线性问题。图线性分类示例空间变分辨率模型人眼视网膜获取的外界信息是非均匀的，即在视网膜中心的“窝区”分辨率最高，而越远离“窝区”周围的分辨率越低，我们称之为空间变分辨率，视网膜到大脑皮层的映射可以用对数极坐标近似模拟。最早研究这种映射关系的提出映射模型。在映射模型的基础上，视觉运动目标跟踪等实际应用进步加深了对对数极坐标变换的研究和应用。目前空间变分辨率模型的主流理论是基于对数极坐标变换。具体分析目标跟踪的需求，构建目标的空间变分辨率模型，能够快速估计跟踪过程中目标的尺度参数以及旋转量参数。对数极坐标变换是个保角映射，存在两个重要的性质距离不变性与角度不变性将极坐标轴向尺度变化转变为对数极坐标图像的左右平移把极坐标的角度变化转变为对数极坐标图像的上下平移。万方数据三峡大学硕士学位论文对数极坐标描述了图像的变化，以笛卡儿坐标代表视网膜场景平面坐标位置，对数极坐标对应视皮层坐标位置图，极坐标平面的环面与轮辐映射为对数极坐标平面的横线与竖线。加入之后的跟踪算法有如下优点经过变换之后，尺度角度估计量的求解就转化为了求解平移量，从而简化了求解问题。而跟踪算法擅长对目标进行平移量的估计，因此视频跟踪很需要进行这样的简化处理。图笛卡尔坐标与对数极坐标由于具有变分辨率的特性，造成靠近图像中心分辨率高于远离图像中心的分辨率，可以在定程度上抑制部分遮挡对跟踪效果造成的影响。由于实际跟踪需求和实时性方面的要求，要进步简化变换，图像的连续性平滑性会受到这种简化的变换算法的影响。但是变化之后的计算量会极大地降低，能更好地满足实时性需求。定义简化变换如下根据图，变换以变换原点,作为中心，点,是笛卡尔坐标下的点,到对数极坐标下的映射结果，变换过程分为两个步骤实现。首先将图像从笛卡尔坐标映射到极坐标,，通过下列公式实现然后通过取对数，将极坐标图像进步转化到对数极坐标下式中表示在笛卡尔坐标下的变换原点，对应为跟踪目标的中心位置。结合图，参数,表示图像的尺度变化，决定目标的尺度缩放精确程度，决定目标旋转量的精确程度。当笛卡尔坐标的下的图像目标尺度放大或收缩时，其对应的对数极坐标图像会发生右平移或者左平移平移量可记作。另种情万方数据三峡大学硕士学位论文况，当笛卡尔坐标的下的图像目标以目标中心位置为轴，向左或向右旋转时，其对应的对数极坐标图像会向上或者向下平移平移量可记作。在跟踪过程中，目标的尺度和旋转的平移量和被分别被记作和，上标是跟踪的视频帧的编号。和都可以通过逆向的对数极坐标变换，转化回笛卡尔坐标系。逆向的对数极坐标变换可由如下计算公式实现空间变分辨率视觉模型突出跟踪目标的中心区域，抑制边缘像素的背景干扰,通过对数极坐标变换得到的目标空间变分辨率模型可以使尺度和旋转量的估计问题得到极大的简化。本章小结本章介绍了目标跟踪的基本原理常见检测算法和跟踪算法，以及改进算法中需要用到的相关理论知识，其中包括特征，特征支持向量机和空间变分辨率模型。这些都是本文算法研究的基础，为后续提出的目标跟踪算法提供了坚实的理论依据。万方数据三峡大学硕士学位论文基于运动估计和结构约束的多目标跟踪算法引言多目标跟踪是视觉跟踪中的个热点问题。由于多个跟踪对象之间存在关联性跟踪对象形态变化大与背景区分度不高光照变化以及其他特殊情况都会给多目标的准确跟踪带来影响，导致多目标跟踪算法往往通用性不高，鲁棒性较差。具体难题如下遮挡问题遮挡会造成目标信息的逐渐丢失，只有获得足够丰富的信息才能准确找到目标所在的位置。遮挡的存在降低了目标跟踪的可靠性，有可能会导致跟踪效果的不稳定，遮挡严重的情况下甚至会造成目标丢失。目前很大部分跟踪算法都不能有效处理严重的遮挡，无法判断当目标消失的时候何时停止跟踪，目标出现的时候何时再重新开始跟踪。目标数目的随机性多目标跟踪中数目可变也是个常见问题。在跟踪过程中，旧目标的分裂和随机出现新的目标都会带来目标总数的增加，而目标的合并和旧目标的消失会造成目标总数的减少，其中遮挡造成目标的分裂和合并。多跟踪目标过程中目标个数的确定成为又个不能避免的难题。背景的复杂性视频中背景的复杂度和变化成为影响跟踪效果的又个原因。这些干扰因素会造成背景复杂度和稳定度的变化光线亮度的变化，会造成背景改变背景中物体姿态变化或者位置的挪动会造成背景的变化，需要及时更新背景尤其在多目标跟踪中，当目标特征与背景中的物体相似度很高的时候，目标跟踪难度会增加，可能干扰跟踪对象收敛的位置强光下的阴影问题，运动目标或者场景中的物体在强光下会产生阴影，阴影与背景存在颜色差别，且属于非运动区域，会给目标检测造成困难。目标的外观改变和不同的目标外观之间的区分目标的外观特征包括目标的纹理和形状等信息，而对于非刚性目标，在跟踪过程中目标的形状和比例可能发生变化，而且目标运动具有不确定性，可能会导致目标信息的逐渐丢失，很容易造成跟踪失败。