项目名称: 基于半监督学习和交互模型的多目标跟踪方法

项目编号: No.61303153

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 自动化技术、计算机技术

项目作者: 李国荣

作者单位: 中国科学院大学

项目金额: 25万元

中文摘要: 多目标跟踪技术是计算机视觉、图像理解领域的核心研究之一,其在视频监控、视频分析及检索、运动分析及合成等领域发挥了重要作用。由于在跟踪过程中,目标形态的变化、遮挡的存在、复杂的环境制约及运动的相互影响等使得对多运动目标的跟踪变得更加困难。在本研究中,申请人拟采用交互模型来对目标的运动进行预测,并通过半监督的在线学习方法进行自适应特征选择,实现对多目标的实时鲁棒跟踪。首先,使用交互模型可以对多目标的运动提供较为准确的估计;其次,通过在线特征选择和遮挡分析为跟踪目标构建具有自适应性的表观模型;然后,在跟踪过程中将交互模型与基于半监督CovBoost的在线特征选择、在线随机森林遮挡判别分析器结合起来,提出一种基于交互模型和在线特征选择的多目标跟踪器,将跟踪中的关键问题(运动建模和表观建模)统一到一个多目标跟踪框架下;最后实现实时准确的多目标跟踪,并尝试拓展到视频监控、智能交通等实际社会民生应用中。

中文关键词: 目标跟踪;半监督学习;交互模型;特征选择;遮挡分析

英文摘要: Multi-target tracking plays an essential role in many applications and remains challenging open problems. Some of the previous research tends to fail when the object subjects to dynamic background, partial occlusion,complex background or mutual influences among targets'motions. To address these problems, we propose a new approach for robust real-time multi-target tracking via predicting target's motion using interaction model and online select features with semi-supervised learning method.Firstly, our interaction model could provide an accurate estimation for targets'motion. Secondly, we design online feature selection and occlusion analysis to build adaptive appearance model for tracking targets. Finally, we integrate the interaction model, online feature selection based on semi-supervised CovBoost and occlusion analysis based on onloine random forest into a unify multi-target tracking framework to develop a new robust multi-target tracker. It unifies the key problems (motin model and appearance model) of the tracking into a multi-target tracking framwork and achieves real-time multi-target tracking.We also attempt to utilize the proposed multi-target tracking method to some areas related to the people's livelihood,such as video surveillance,intelligent transportation, etc.

英文关键词: object tracking;semi-supervised learning;interaction model;feature selection;occlusion analysis

成为VIP会员查看完整内容
0

相关内容

标跟踪是指:给出目标在跟踪视频第一帧中的初始状态(如位置,尺寸),自动估计目标物体在后续帧中的状态。 目标跟踪分为单目标跟踪和多目标跟踪。 人眼可以比较轻松的在一段时间内跟住某个特定目标。但是对机器而言,这一任务并不简单,尤其是跟踪过程中会出现目标发生剧烈形变、被其他目标遮挡或出现相似物体干扰等等各种复杂的情况。过去几十年以来,目标跟踪的研究取得了长足的发展,尤其是各种机器学习算法被引入以来,目标跟踪算法呈现百花齐放的态势。2013年以来,深度学习方法开始在目标跟踪领域展露头脚,并逐渐在性能上超越传统方法,取得巨大的突破。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
浙大《深度学习低样本目标检测》综述论文
专知会员服务
73+阅读 · 2021年12月13日
【博士论文】基于深度学习的单目场景深度估计方法研究
专知会员服务
35+阅读 · 2021年8月27日
专知会员服务
44+阅读 · 2021年4月15日
基于深度学习的行人检测方法综述
专知会员服务
68+阅读 · 2021年4月14日
专知会员服务
44+阅读 · 2021年1月31日
专知会员服务
49+阅读 · 2020年10月21日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
【CMU】基于图神经网络的联合检测与多目标跟踪
专知会员服务
56+阅读 · 2020年6月24日
计算机视觉方向简介 | 多目标跟踪算法(附源码)
计算机视觉life
15+阅读 · 2019年6月26日
综述 | 近5年基于深度学习的目标检测算法
计算机视觉life
38+阅读 · 2019年4月18日
视频中的多目标跟踪【附PPT与视频资料】
人工智能前沿讲习班
30+阅读 · 2018年11月29日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
论文 | 基于RNN的在线多目标跟踪
七月在线实验室
31+阅读 · 2017年12月27日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
Attentive Graph Neural Networks for Few-Shot Learning
Arxiv
40+阅读 · 2020年7月14日
Arxiv
110+阅读 · 2020年2月5日
小贴士
相关VIP内容
浙大《深度学习低样本目标检测》综述论文
专知会员服务
73+阅读 · 2021年12月13日
【博士论文】基于深度学习的单目场景深度估计方法研究
专知会员服务
35+阅读 · 2021年8月27日
专知会员服务
44+阅读 · 2021年4月15日
基于深度学习的行人检测方法综述
专知会员服务
68+阅读 · 2021年4月14日
专知会员服务
44+阅读 · 2021年1月31日
专知会员服务
49+阅读 · 2020年10月21日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
【CMU】基于图神经网络的联合检测与多目标跟踪
专知会员服务
56+阅读 · 2020年6月24日
相关资讯
计算机视觉方向简介 | 多目标跟踪算法(附源码)
计算机视觉life
15+阅读 · 2019年6月26日
综述 | 近5年基于深度学习的目标检测算法
计算机视觉life
38+阅读 · 2019年4月18日
视频中的多目标跟踪【附PPT与视频资料】
人工智能前沿讲习班
30+阅读 · 2018年11月29日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
论文 | 基于RNN的在线多目标跟踪
七月在线实验室
31+阅读 · 2017年12月27日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员