基于张量表达的视觉跟踪算法研究

《基于张量表达的视觉跟踪算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于张量表达的视觉跟踪算法研究黄梁华2016年01月中图分类号：TQ028.1UDC分类号：540基于张量表达的视觉跟踪算法研究作者姓名黄梁华学院名称计算机学院指导教师马波副教授答辩委员会主席沈建冰教授申请学位工学硕士学科专业计算机科学与技术学位授予单位北京理工大学论文答辩日期2016年01月TensorRepresentationBasedVisualTrackingCandidateName:LianghuaHuangSchoolorDepartment:ComputerScienceandTechnologyFacultyMentor:AssociateProf.BoMaC

2、hair,ThesisCommittee:Prof.JianbingShenDegreeApplied:MasterofPhilosophyMajor:ComputerScienceandTechnologyDegreeby:BeijingInstituteofTechnologyTheDateofDefence:January,2016研究成果声明本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的研究工作获得的研究成果。尽我所知，文中除特别标注和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构的学位或证书所使用

3、过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。特此申明。签名：日期：北京理工大学硕士学位论文摘要视觉跟踪是计算机视觉领域的一个重要研究方向，被广泛应用于视频监控、人机交互、视频压缩和行为识别等众多领域。一个完整的视觉跟踪算法通常包括如下几个模块：运动模型、特征表达、观测模型和更新算法。其中特征表达和观测模型是最影响跟踪效果的两个组成成分。本文首先提出一种结构化地组织图像局部特征的方式，称之为“张量池化”，以构建更具判别性的特征表达，从而将视觉跟踪视为在线的张量学习问题；随后，本文提出使用张量稀疏编码构建特征表达，并基于判别式张

4、量模型来建模目标的表观；最后，本文针对视觉跟踪里的局部噪声和目标形变的挑战进行了深入研究，提出了基于部件概率空间的跟踪模型。具体介绍如下：本文提出了一种基于张量池化的视觉跟踪算法。该方法认为，相比于传统的池化方法，以最原始的张量形式组织局部特征可以更好地保留它们的空间结构特性，并能避免连接池化里出现的高维学习和过拟合问题。因此本文提出通过“张量池化”来整理局部特征得到目标或候选样本的张量特征表达，从而将跟踪问题转化为一个在线张量学习和预测的问题。为了更好地克服背景噪声和相似背景干扰等问题，本文进一步提出一种判别式的框架来获得更稳定的跟踪效果。在benchmark上的实验结果证明了

5、本算法的有效性。不同池化算法跟踪效果的比较实验也证明了张量池化算法的优越性。本文提出了一种基于张量稀疏表达的视觉跟踪算法。该算法使用张量稀疏编码来得到局部图像块的稀疏张量表达。该方法认为，张量稀疏表达可以充分挖掘图像的局部空间结构信息，从而使构建的稀疏张量描述子有更强的判别性。该算法基于广义张量回归模型来构建目标的表观模型，并假设目标周围的样本服从伯努利分布。在多个视频上的测试结果验证了本文提出的基于张量稀疏表达的跟踪算法的有效性。本文提出了一种基于部件概率空间的视觉跟踪算法。基于部件的模型可以很好地处理跟踪中的局部遮挡和目标形变等问题。与其他算法不同的是，本文提出的方法将跟踪看

6、成是按照某个学习到的先验概率从目标的部件空间中采样最合适的部件用于跟踪，并选择性地结合它们的投票以估计目标位置的过程。在benchmark上的实验结果证明了本文提出的基于部件概率空间的算法在处理遮挡和形变问题上的优越性。关键词：视觉目标跟踪；表观建模；Tucker分解；张量池化；张量稀疏表达；层次回归；部件空间I北京理工大学硕士学位论文AbstractVisualtrackingisoneofthefundamentalareasincomputervision.Itplaysacriticalroleinnumerousapplications,includingsurveil

7、lance,human-computerinteraction,videocompressionandactionrecognition.Generally,atrackercanbebrokendownintoseveralconstituentparts,namely,motionmodel,featurerepresentation,observationmodelandmodelupdater.Thefeatureextractorandobservationmodela