序列圖像中運(yùn)動(dòng)目標(biāo)跟蹤方法

前言

　　20世紀(jì)70年代中期，Hogg等率先開(kāi)展了序列圖像中目標(biāo)跟蹤方面的探索，致力于跟蹤場(chǎng)景中的行人并試圖進(jìn)行識(shí)別。在目標(biāo)跟蹤的研究歷史中具有里程碑意義的文章是Kass等在80年代末發(fā)表的關(guān)于主動(dòng)輪廓線(xiàn)模型的論文。從90年代初期到現(xiàn)在的近二十年中，由于計(jì)算機(jī)和攝像機(jī)性?xún)r(jià)比的大幅提高，以及目標(biāo)跟蹤在智能人機(jī)交互、醫(yī)療診斷、智能機(jī)器人、視頻監(jiān)控、視頻編碼和軍事等領(lǐng)域不斷增長(zhǎng)的廣泛應(yīng)用價(jià)值，目標(biāo)跟蹤逐漸成為圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)。　　在實(shí)際應(yīng)用中，由于攝像機(jī)和目標(biāo)之間的相對(duì)運(yùn)動(dòng)和應(yīng)用場(chǎng)景的復(fù)雜多變，采集的視頻圖像一般具有光照變化明顯、圖像中雜物和噪聲顯著、目標(biāo)的姿態(tài)變化很大等特點(diǎn)，因此目標(biāo)跟蹤是圖像處理和計(jì)算機(jī)視覺(jué)中一個(gè)公認(rèn)的具有挑戰(zhàn)性的問(wèn)題。它的研究需要圖像處理、模式識(shí)別、概率論及隨機(jī)過(guò)程、泛函及優(yōu)化和偏微分方程等多學(xué)科的知識(shí)?！　⌒蛄袌D像中目標(biāo)跟蹤是指根據(jù)視頻圖像中的時(shí)空相關(guān)信息在每一幀圖像中確定目標(biāo)的位置、大小或形狀信息等。目標(biāo)跟蹤方法大致可以分成三大類(lèi)：基于濾波理論的目標(biāo)跟蹤方法、基于Mean Shift的目標(biāo)跟蹤方法和基于偏微分方程的目標(biāo)跟蹤方法。　　本書(shū)的第1章是緒論，主要介紹了目標(biāo)跟蹤的應(yīng)用和分類(lèi)?！　”緯?shū)的第2～4章主要研究基于濾波理論的目標(biāo)跟蹤方法?；跒V波理論的目標(biāo)跟蹤方法將傳感器噪聲和模型誤差等進(jìn)行建模，將目標(biāo)跟蹤問(wèn)題表達(dá)為系統(tǒng)狀態(tài)的后驗(yàn)概率密度估計(jì)問(wèn)題。當(dāng)后驗(yàn)概率密度是高斯分布時(shí)，卡爾曼或擴(kuò)展的卡爾曼濾波器可以對(duì)系統(tǒng)的狀態(tài)進(jìn)行準(zhǔn)確估計(jì)，而粒子濾波器能夠解決更一般的非線(xiàn)性非高斯的目標(biāo)跟蹤問(wèn)題?！　”緯?shū)的第5～9章主要研究基于Mean Shift的目標(biāo)跟蹤方法?；贛ean Shift的目標(biāo)跟蹤方法首先建模目標(biāo)特征的概率密度分布，然后采用概率密度之間的相似性測(cè)度度量目標(biāo)和候選目標(biāo)之間的相似性。通過(guò)將梯度下降算法應(yīng)用于相似性函數(shù)，推導(dǎo)出：Mean Shift迭代方程，從而對(duì)目標(biāo)進(jìn)行跟蹤。

內(nèi)容概要

本書(shū)主要內(nèi)容包括目標(biāo)跟蹤的介紹(第1章)、基于濾波理論的目標(biāo)跟蹤方法(第2～4章)、基于Mean Shift的目標(biāo)跟蹤方法(第5～9章)和基于偏微分方程的目標(biāo)跟蹤方法(第10章)，介紹了相關(guān)跟蹤方法的研究背景、理論基礎(chǔ)、算法描述、計(jì)算復(fù)雜性分析，并給出了相應(yīng)的實(shí)驗(yàn)結(jié)果。本書(shū)是序列圖像中目標(biāo)跟蹤方面的專(zhuān)著，反映了作者近年來(lái)在這一領(lǐng)域的主要研究成果。    本書(shū)內(nèi)容新穎、結(jié)構(gòu)清晰、語(yǔ)言簡(jiǎn)練，可作為大專(zhuān)院校及科研院所圖像處理、視頻處理和計(jì)算機(jī)視覺(jué)等領(lǐng)域的高年級(jí)本科生、研究生的教材和參考書(shū)，也可作為相關(guān)領(lǐng)域的教師、科研人員以及從事安防、視頻監(jiān)控行業(yè)的工程技術(shù)人員的參考書(shū)。

書(shū)籍目錄

前言第1章  緒論  1.1  目標(biāo)跟蹤的應(yīng)用    1.1.1  在智能人機(jī)交互中的應(yīng)用    1.1.2  在醫(yī)療診斷中的應(yīng)用    1.1.3  在智能機(jī)器人中的應(yīng)用    1.1.4  在視頻監(jiān)控中的應(yīng)用  1.2  目標(biāo)跟蹤的分類(lèi)    1.2.1  基于濾波理論的目標(biāo)跟蹤方法    1.2.2  基于Mean Shift的目標(biāo)跟蹤方法    1.2.3  基于偏微分方程的目標(biāo)跟蹤方法  參考文獻(xiàn)第2章  基于Unseented卡爾曼濾波器的目標(biāo)跟蹤  2.1  引言  2.2  目標(biāo)輪廓的B樣條曲線(xiàn)表達(dá)    2.2.1  樣條函數(shù)空間和B樣條基函數(shù)    2.2.2  B樣條曲線(xiàn)空間、樣條向量空間和形狀空間及其內(nèi)積和范數(shù)  2.3  運(yùn)動(dòng)模型的學(xué)習(xí)    2.3.1  運(yùn)動(dòng)模型的最大似然學(xué)習(xí)    2.3.2  運(yùn)動(dòng)模型的最大期望學(xué)習(xí)  2.4  卡爾曼濾波器跟蹤算法  2.5  Unscented卡爾曼濾波器跟蹤算法    2.5.1  Unscented變換    2.5.2  非線(xiàn)性觀(guān)測(cè)模型    2.5.3  跟蹤算法    2.5.4  實(shí)驗(yàn)  2.6  本章小結(jié)  參考文獻(xiàn)第3章  基于粒子濾波器的目標(biāo)跟蹤算法  3.1  引言  3.2  動(dòng)態(tài)模型、形狀模型及觀(guān)測(cè)模型    3.2.1  動(dòng)態(tài)模型    3.2.2  形狀模型和觀(guān)測(cè)模型  3.3  標(biāo)準(zhǔn)的粒子濾波器和條件概率密度傳播算法    3.3.1  一般的目標(biāo)跟蹤問(wèn)題    3.3.2  一般的粒子濾波器    3.3.3  條件概率密度傳播算法  3.4  基于卡爾曼粒子濾波器和Unscented粒子濾波器的目標(biāo)跟蹤算法    3.4.1  基于卡爾曼粒子濾波器的跟蹤算法    3.4.2  基于Unscented粒子濾波器的跟蹤算法    3.4.3  算法性能分析和時(shí)間分析    3.4.4  實(shí)驗(yàn)  3.5  本章小結(jié)  參考文獻(xiàn)第4章  基于積分圖像的快速粒子濾波器跟蹤  4.1  引言  4.2  基于顏色的粒子濾波器算法    4.2.1  自適應(yīng)顏色模型    4.2.2  基于積分圖像的顏色模型計(jì)算    4.2.3  計(jì)算積分圖像的并行算法  4.3  跟蹤算法及實(shí)驗(yàn)    4.3.1  跟蹤算法    4.3.2  實(shí)驗(yàn)  4.4  本章小結(jié)  參考文獻(xiàn)第5章  利用二階信息的Mean Shift目標(biāo)跟蹤算法  5.1  引言  5.2  傳統(tǒng)Mean Shift跟蹤算法    5.2.1  非參量核概率密度估計(jì)和Mean Shift迭代    5.2.2  模型表達(dá)及跟蹤算法  5.3  牛頓法    5.3.1  步長(zhǎng)選擇模型及終止條件    5.3.2  步長(zhǎng)選擇算法  5.4  信賴(lài)域方法    5.4.1  信賴(lài)域算法    5.4.2  信賴(lài)域方向  5.5  實(shí)驗(yàn)  5.6  本章小結(jié)  參考文獻(xiàn)第6章  基于聚類(lèi)的顏色模型及Mean Shift跟蹤  6.1  引言  6.2  基于聚類(lèi)的顏色模型    6.2.1  顏色空間的自適應(yīng)剖分    6.2.2  顏色模型及相似性度量  6.3  Mean Shift跟蹤算法    6.3.1  算法的推導(dǎo)過(guò)程    6.3.2  算法的復(fù)雜性分析    6.3.3  實(shí)驗(yàn)  6.4  本章小結(jié)  參考文獻(xiàn)第7章  基于Mean Shift的仿射變換和相似性變換目標(biāo)跟蹤  7.1  引言  7.2  基于Mean Shift算法的仿射運(yùn)動(dòng)目標(biāo)跟蹤    7.2.1  平移向量的估計(jì)    7.2.2  旋轉(zhuǎn)角度的估計(jì)    7.2.3  跟蹤算法    7.2.4  實(shí)驗(yàn)  7.3  基于Mean Shift算法的相似性變換目標(biāo)跟蹤    7.3.1  平移向量的估計(jì)    7.3.2  旋轉(zhuǎn)角度的估計(jì)    7.3.3  跟蹤算法    7.3.4  實(shí)驗(yàn)  7.4  計(jì)算復(fù)雜性分析  7.5  本章小結(jié)  參考文獻(xiàn)第8章  并行Mean Shift目標(biāo)跟蹤算法  8.1  引言  8.2  CUDA介紹  8.3  基于多元高斯分布的顏色空間剖分  8.4  基于GPU的并行Mean Shift跟蹤算法  8.5  實(shí)驗(yàn)  8.6  本章小結(jié)  參考文獻(xiàn)第9章  基于EMD的Mean Shift跟蹤算法  9.1  引言  9.2  顏色概率密度表達(dá)及EMD定義    9.2.1  顏色概率密度表達(dá)    9.2.2  EMD定義  9.3  單純形法計(jì)算EMD  9.4  基于EMD的Mean Shift算法    9.4.1  相似性度量函數(shù)最優(yōu)化    9.4.2  基于EMD的Mean Shift算法  9.5  實(shí)驗(yàn).    9.5.1  走廊序列    9.5.2  行人序列  9.6  本章小結(jié)  參考文獻(xiàn)第10章  基于偏微分方程的目標(biāo)跟蹤方法  10.1  引言  10.2  基于Jensen-Shannon散度的區(qū)域泛函  10.3  偏微分方程的推導(dǎo)    10.3.1  形狀導(dǎo)數(shù)理論簡(jiǎn)介    10.3.2  基于形狀導(dǎo)數(shù)理論的偏微分方程推導(dǎo)    10.3.3  基于變分理論的偏微分方程推導(dǎo)  10.4  目標(biāo)跟蹤的水平集方法    10.4.1  水平集函數(shù)的推導(dǎo)    10.4.2  偏微分方程的時(shí)空離散化    10.4.3  數(shù)值算法中的重新初始化    10.4.4  實(shí)驗(yàn)  10.5  本章小結(jié)參考文獻(xiàn)

章節(jié)摘錄

　　第1章 緒論　　計(jì)算機(jī)視覺(jué)的研究目的是使用計(jì)算機(jī)代替人眼及大腦，對(duì)環(huán)境進(jìn)行感知、解釋和理解。隨著科學(xué)技術(shù)的發(fā)展，計(jì)算機(jī)視覺(jué)的應(yīng)用范圍日益擴(kuò)大，對(duì)人類(lèi)生產(chǎn)生活的影響日益增大。目標(biāo)跟蹤作為計(jì)算機(jī)視覺(jué)的重要研究方向吸引了越來(lái)越多的研究者。它的基本思想是在序列圖像中根據(jù)視頻信息在空間和時(shí)間上的相關(guān)性，確定目標(biāo)在每一幀的位置和姿態(tài)。目標(biāo)跟蹤是一項(xiàng)融合圖像處理、模式識(shí)別、概率論及隨機(jī)過(guò)程、泛函及優(yōu)化和偏微分方程等多學(xué)科的復(fù)雜課題Ⅲ。目標(biāo)跟蹤在科學(xué)和工程中有重要的研究?jī)r(jià)值，在生產(chǎn)生活中有廣泛的應(yīng)用前景。它已經(jīng)在智能人機(jī)交互、醫(yī)療診斷、智能機(jī)器人、視頻監(jiān)控等許多領(lǐng)域獲得廣泛應(yīng)用?！　?.1 目標(biāo)跟蹤的應(yīng)用　　1.1.1 在智能人機(jī)交互中的應(yīng)用　　計(jì)算機(jī)計(jì)算能力的提高遵循摩爾定律，呈指數(shù)倍增長(zhǎng)。然而目前的人機(jī)交互仍舊停留在以鍵盤(pán)和鼠標(biāo)為主。人們期望計(jì)算機(jī)具有智能，能夠以自然的方式與人類(lèi)進(jìn)行交流。在虛擬現(xiàn)實(shí)中得到廣泛研究的設(shè)備如數(shù)據(jù)手套、紅外頭盔等是接觸式的，但使用者穿戴起來(lái)比較笨重、煩瑣。跟蹤技術(shù)能夠提供一種靈活的、方便的、非接觸的輸入方式?！　≡谌藱C(jī)交互領(lǐng)域內(nèi)最為成功的發(fā)明是西門(mén)子公司開(kāi)發(fā)的虛擬觸摸屏SIVIT。該系統(tǒng)包括投影儀、紅外發(fā)射器、攝像機(jī)和手部跟蹤識(shí)別模塊。SIVIT將監(jiān)視器的內(nèi)容投影到演講白板或桌面上，其操作通過(guò)將索引手指置于光束中并指向目標(biāo)來(lái)實(shí)現(xiàn)。SIVIT在攝像機(jī)記錄的序列圖像中連續(xù)跟蹤手的輪廓，將索引手指的運(yùn)動(dòng)理解為鼠標(biāo)的移動(dòng)，手指的短暫停頓理解為按動(dòng)鼠標(biāo)。圖1.1（a）說(shuō)明了西門(mén)子公司的F01exSIVITwalkboard演示系統(tǒng)。當(dāng)演講者進(jìn)行演示時(shí)，把圖像投影儀與個(gè)人計(jì)算機(jī)連接起來(lái)，將圖像投影到反射墻或幻燈幕上，使用索引手指來(lái)操作。圖1.1（b）演示了安裝在火車(chē)站的公共信息查詢(xún)終端，用戶(hù)接觸的只有一個(gè)普通的桌面，用來(lái)投影顯示器的內(nèi)容。

編輯推薦

　　全書(shū)共分10個(gè)章節(jié)，主要對(duì)序列圖像中運(yùn)動(dòng)目標(biāo)跟蹤方法作了介紹，具體內(nèi)容包括基于粒子濾波器的目標(biāo)跟蹤算法、基于積分圖像的快速粒子濾波器跟蹤、利用二階信息的Mean Shift目標(biāo)跟蹤算法、基于Mean Shift的仿射變換和相似性變換目標(biāo)跟蹤、基于偏微分方程的目標(biāo)跟蹤方法等。該書(shū)可供各大專(zhuān)院校作為教材使用，也可供從事相關(guān)工作的人員作為參考用書(shū)使用。

圖書(shū)封面

圖書(shū)標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    序列圖像中運(yùn)動(dòng)目標(biāo)跟蹤方法 PDF格式下載

---