基于子空间学习的视觉跟踪表观模型研究

来源 :华中科技大学 | 被引量 : 0次 | 上传用户:sgeblis
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
视觉跟踪是目前智能化研究的一个重要课题。视觉跟踪可以应用到许多领域中,如自动驾驶、智能监控、人机交互等诸多应用中。视觉跟踪算法通常包含两个模型,即表观模型和运动模型。表观模型描述目标的表观信息,而运动模型定位目标的位置、运动状态等信息。自然场景下的视觉跟踪中跟踪目标的外观(如颜色、形状、姿态等)不可避免地会受到场景光照和目标自身形变的影响。表观模型的优劣直接影响跟踪算法的性能,是视觉跟踪算法研究的重点和难点。  针对视觉跟踪中目标的甄别容易因图像中的一些干扰因素(如光照)的影响而出现偏差的情况,提出了一种基于稀疏主成分分析的表观模型和基于子空间合并的模型更新策略。给定样本集合,稀疏主成分分析寻找投影向量尽可能地使样本集合在投影向量上的投影可区分,而且投影向量具有一定稀疏性。与传统的主成分分析方法相比,稀疏性约束因素可使得投影向量的非零元主要在显著性特征上,从而可去掉干扰因素的影响。所求解的投影向量更有利于对目标的判别。为适应跟踪过程中表观的不断变化,采用子空间合并方法,将当前所求解的稀疏主成分与已有的稀疏主成分子空间融合,实现了表观模型的自适应更新。实验表明,基于稀疏主成分分析的子空间表观模型能提高视觉跟踪算法的准确性。  视觉跟踪中目标处于一定的背景之下,目标周围的背景信息可辅助对目标进行甄别,为此提出了背景子空间模型构造方法和更新策略。通常目标周围采样得到的候选目标样本包含了部分目标像素和背景像素。通过对这些候选样本的分析可得到带干扰的背景子空间,采用子空间分离方法将目标表观模型子空间从带干扰的背景子空间中分离出来,可得到无干扰的背景子空间。采取增量自适应策略对背景子空间进行更新。实验表明,引入背景子空间模型能提高跟踪算法的鲁棒性。
其他文献
海量数据的存在,从海量数据中提取信息的应用需求,以及信息对企业战略决策的影响,使得数据挖掘无论是理论研究还是应用实践都是有意义的。本文研究了数据挖掘技术在客户关系
随着网络技术的发展,Web应用软件已成为各类大型开发项目的首要选择。而当前Web应用软件的开发并没有一种成熟、快速的开发架构和解决方案。本文所做的工作就是对这种架构和解
随着网络通信和多媒体技术的发展,人们对网上音、视频的多媒体教学内容需求日益增长,基于流媒体技术的远程学习是未来人们受教育的新方法。然而流媒体的质量并不能令人满意,主要
随着信息时代的来临,数据的爆炸式增长和人们获取数据的需求方式的灵活多变,都推动了云存储技术和产品的快速发展,与此同时,高质量存储服务也对云存储中的核心存储系统,中心存储,提
图由于可以明确记录社交应用中的个体特征以及个体活动和关系而被广泛使用。由于此类数据包含有个体的信息,为了防止恶意攻击者根据个体特定的好友关系将个体还原得到个体的信
学位
IP多媒体子系统(IMS)是第三代移动通信伙伴组织(3GPP)在Release 5版本标准的基础之上提出的支持IP多媒体业务的子系统。它提供了基于IP协议的下一代多媒体业务平台,能够同时支
在如今的网络应用中,文件的下载是重要的功能之一。传统的下载方式一般是文件由服务器端传送到客户端,由于用户都是从一台服务器下载,而服务器所提供的带宽是有限的。当用户数过
粗糙集(Rough Sets,也称Rough集或粗集)理论是一种研究不完整、不确定知识和数据的表达、学习、归纳的理论方法,是一种新的处理模糊和不确定性知识的数学工具。近年来在理论
为了解和控制油藏信息,人们从发现油田开始就从事试井分析工作。试井从狭义上讲即是通过改变油、气、水井的工作制度,以引起油层中压力重新分布,进而测量井底压力随时间的变