《基於動態圖模型與多元結構化線上學習的視覺目標跟蹤》是依託中國礦業大學，由姚睿擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於動態圖模型與多元結構化線上學習的視覺目標跟蹤
- 項目類別：青年科學基金項目
- 項目負責人：姚睿
- 依託單位：中國礦業大學
項目摘要,結題摘要,
項目摘要
視覺目標跟蹤是計算機視覺領域非常活躍的研究方向。實際場景下長視頻中存在相似目標干擾、嚴重遮擋及非剛體目標形變等難題，導致跟蹤效果不佳。本項目通過定義動態上下文，提出一種不同於傳統單一結構化學習的動態多元結構化線上學習方法，將目標與動態上下文在同一結構化約束框架內訓練及聯合推理。從而一方面通過共享訓練樣本提高目標與相似干擾的可分性；另一方面通過動態上下文的結構化約束提高對嚴重遮擋及形變的魯棒性。本項目擬首先研究動態全局和局部上下文的檢測與更新，以構建相應的動態圖模型；再提出聯合推理方法，以提高后繼學習過程中推理的準確性和實時性；最後重點研究針對動態圖模型表示的多元結構化學習框架及線上最佳化方法，使其對被跟蹤目標和上下文在同一框架內進行訓練，同時使用圖模型快速準確的預測目標位置，為實際場景下長視頻魯棒目標跟蹤提供一個有效的新方法。動態多元結構化學習可用於多目標跟蹤、目標識別、對象檢測等領域。
結題摘要
視覺目標跟蹤是計算機視覺領域非常活躍的研究方向。實際場景下長視頻中存在相似目標干擾、嚴重遮擋及非剛體目標形變等難題，導致跟蹤效果不佳。本項目通過定義動態上下文，提出一種不同於傳統單一結構化學習的動態多元結構化線上學習方法，將目標與動態上下文在同一結構化約束框架內訓練及聯合推理。研究內容如下：1、本項目提出使用隱變數對未知目標部分進行建模，為了進行以上操作，我們對線上學習算法進行了推廣，使它可以包含隱變數，並可進行結構化的預測（如預測目標邊界框的位置）。為了更好的估計目標部件，避免由於部件引發的模型複雜性造成的過擬合現象，我們提出基於原始形式而非對偶形式的兩階段訓練方法。2、本項目提出利用空間結構建立基於部件的外觀模型。該模型最大限度地減少外觀和變形同時花費預測對象的新位置。然後，最佳化問題分為兩部分。核化相關濾波器（KCF）用於跟蹤部件，加快跟蹤速度；同時，通過結構性學習來最小化可變形損失，可以減少由於不準確的邊界造成的標籤噪聲問題。最後，最小生成樹和動態規劃被用來結合外觀的分數部件，並檢測目標的最佳新位置。3、本項目提出了一個統一的馬爾可夫隨機場（MRF）模型，可以有效捕捉時空內部部件關係和遮擋先驗來增強跟蹤性能，得到了一個高效的密集信念傳播推斷的MRF模型。我們提出一個跟蹤器使用星型拓撲對跟蹤對象建模（即全局對象和幾個局部部件），其中圖結構模型描述了成對的空間結構圖像觀察模型，對應於相關性過濾器和遮擋處理措施的外觀相似性。此外，這兩個模型通過利用線上更新局部部件的靈活性。4、傳統的結構化線上學習方法不能同時處理多個動態結構化預測問題，本項目提出動態多元結構化支持向量機，以處理動態上下文情況。推導出多元學習拉格朗日對偶形式，以便方便的使用核函式，並線上最佳化結構化的多元分類器。在研究中，我們將上述多元結構化分類器推廣到多目標跟蹤套用中，獲得了良好的跟蹤效果。
