答辩公告
我的位置在: 首页 > 答辩公告 > 正文
乃科预答辩公告
浏览次数:日期:2019-09-03编辑:研究生教务办1

预答辩公告

论文题目

面向复杂场景的视觉目标跟踪方法研究

预答辩人

乃科

指导教师

李智勇

预答辩委员会

主席

杨高波

学科专业

计算机科学与技术

学院

信息科学与工程学院

预答辩地点

嵌入式与网络计算湖南省重点实验室,317会议室

预答辩时间

2019.9.3

学位论文简介

作为计算机视觉领域的一个热点课题,目标跟踪在智慧城市、智能交通系统和国防军事等领域有着非常广泛的应用。尽管近些年来已经取得了长足的进度,但是复杂场景下的目标跟踪仍然是一个非常具有挑战性的问题。在复杂场景下,目标在跟踪过程中所经历的巨大的外观变化和遮挡是制约着跟踪性能的重要因素。因此,设计一个跟踪器来有效地捕获目标的外观变化和应对遮挡对成功地进行目标跟踪具有重大的意义。基于以上分析,本文提出了一系列目标跟踪算法来应对目标复杂的外观变化和遮挡以获得更好的跟踪效果。本文的研究内容包括以下几个方面:

1、提出了一种基于稀疏表达框架的局部稀疏外观模型来进行目标跟踪。为了深入挖掘目标不同局部块的外观特性,该方法将候选目标的局部块划分为稳定块、有效块和无效块,并且为这些局部块分配不同的权值来体现它们不同的重要性。首先,提出了一个局部稀疏分数来有效地挖掘稳定块。为了降低稳定块中背景块的权值,本文设计了一种判别性局部稀疏编码方法来为稳定块分配合理的权值。其次,设计了一种局部线性回归方法来区分有效快和无效块。通过利用稀疏表达中的局部性,所提出的方法可以成功地获取有效块。最后,为了确保权值分配操作合理,本文提出了一种权值收缩方法来决定有效块的权值。通过深度探索局部块的外观特性并且为它们分配不同的权值,所提出的方法可以有效的捕获目标巨大的外观变化和处理遮挡问题以获得更好的跟踪结果。

2、提出了一种基于动态多特征融合的相关滤波跟踪算法。当前基于相关滤波框架的特征融合方法通常将多个特征简单地堆砌在一起或者使用固定的权值组合不同特征来进行目标跟踪。然而,这些特征融合方法并没有考虑多个特征在复杂的跟踪场景下具有不同的重要性,从而导致跟踪效果受到限制。本文提出了一种新的特征融合方法来动态地融合梯度和颜色信息,以达到更好的建模目标外观的目的。首先,该方法学习利用梯度和颜色特征来学习两个滤波器,并且自适应地调整它们的权值来捕获目标在复杂场景下的外观变化。滤波器的权值决定于它们单独预测的结果和最终融合的结果之间的一致性。其次,本文提出了一种失败检测机制用以消除由不可靠的模型更新所造成的模型漂移问题。如果某个跟踪结果被认为是失败的,该方法将启动重检测操作来准确定位目标。

3、提出了一种多模式相关跟踪方法来进行目标跟踪。在整个跟踪过程中,目标通常会有多个不同的外观模式。然而,当前的跟踪算法没有显示地挖掘目标不同的外观模式,这会降低模型的多样性和跟踪性能。本文提出了一种多模式相关跟踪算法来深度地建模复杂场景下的目标外观。首先,该方法学习多个相关滤波器来捕获目标在跟踪过程中所出现的不同的外观模式,每个滤波器建模一种外观模式。然后,设计一种两阶段选择算法来选择一个合适的滤波器进行目标检测。该算法在第一阶段利用可靠性分数来排除一些不可靠的滤波器,而在第二阶段利用匹配性分数来选择出理想的滤波器来进行检测。最后,本文设计了一种在线评估算法来获取多个相关滤波器建模目标外观。


4、提出了一种集成相关跟踪方法来进行目标跟踪。当前的目标跟踪方法通常只使用一个跟踪器来进行跟踪并且没有考虑目标在跟踪过程中所出现的多个不同的外观模式,这会降低模型的多样性和泛化能力。通过在相关滤波框架内使用集成学习,本文提出了一种集成相关跟踪方法。首先,该方法在跟踪过程中使用多个相关滤波器来捕获目标不同的外观模式,并且执行集成操作来定位目标。其次,为了有效地学习多个滤波器来进行集成跟踪,本文设计了一种新的回溯算法以获得滤波器来建模目标的外观。最后,通过考虑目标历史的外观信息和最近的外观变化,提出了一种在线权值分配算法来为多个滤波器分配不同的权值。由于使用了集成学习和多个相关滤波器,所提出的集成相关跟踪方法可以成功的捕获目标巨大的外观变化和应对遮挡。


主要学术成果

[1] Ke Nai, Zhiyong Li, Guiji Li and ShanquanWang. Robust object tracking via local sparse appearance model. IEEE Transactions on Image Processing, 2018, 27(10): 4958-4970.(CCF A类,SCI二区)

[2] Ke Nai, Degui Xiao, Zhiyong Li, et al. Multi-pattern correlation tracking. Knowledge-Based Systems, 181(2019): 104789. (SCI二区)

[3] Ke Nai, Zhiyong Li, Guiji Li, et al. Ensemble correlation tracking. IEEE Transactions on Image Processing (CCF A类,Under Review).

[4] Zhiyong Li, Ke Nai, Guiji Li, et al. Learning a dynamic feature fusion tracker for object tracking. IEEE Transactions on Intelligent Transportation Systems (导师第一作者,CCF B类,Under Review).

[5] Guiji Li, Manman Peng, Ke Nai, et al. Multi-view correlation tracking with adaptive memory-improved update model. Neural Computing and Applications (2019). https://doi.org/10.1007/s00521-019-04413-4. (SCI二区)

[6] Jia Zhang, Zhiyong Li, Ke Nai, et al. DELR: A double-level ensemble learning method for unsupervised anomaly detection. Knowledge-Based Systems, 181(2019): 104783. (SCI二区)

[7] Guiji Li, Manman Peng, Ke Nai, et al. Visual tracking via context-aware local sparse appearance model. Journal of Visual Communication and Image Representation, 2019,56: 92-105. (SCI三区)

[8] Song Gao, Zhiyong Li, Ke Nai. Robust object tracking based on adaptive templates matching via the fusion of multiple features. Journal of Visual Communication and Image Representation, 2017, 44: 1-20. (SCI三区)

[9] Ximing Xiang, Zhiyong Li, Ke Nai. A spatial-aware tracker. ICIP2019. (CCF C类会议)