文档介绍：独创性声明本人郑重声明:所呈交的论文是我个人在导师指导下进行的研究工作及取得研究成果。尽我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写的研究成果,也不包含为获得宁波大学或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。若有不实之处,本人愿意承担相关法律责任。签名: 日期: 关于论文使用授权的声明本人完全了解宁波大学有关保留、使用学位论文的规定,即:学校有权保留送交论文的复印件,允许论文被查阅和借阅;学校可以公布论文的全部或部分内容,可以采用影印、缩印或其他复制手段保存论文。(保密的论文在解密后应遵循此规定)签名: 导师签名: 日期: 结合跟踪技术的视频目标分割方法研究摘要视频目标分割是计算机视觉的重要组成部分,其目的是从视频序列中提取出感兴趣的目标,使信息处理更加高效,已广泛应用于智能交通、行为识别、视频监控、视频压缩等领域,逐渐成为研究热点与难点。鉴于非特定目标(unknownobjects)跟踪技术的日趋成熟以及跟踪领域对目标消失重现问题研究的不断深入,本文通过将跟踪算法与分割算法相结合以处理视频目标分割中目标消失重现的问题。对于初始帧,使用Grabcut算法进行分割,其结果初始化分割模型,交互框作为跟踪算法的初始化输入;对于后续帧,先对目标进行跟踪,获得跟踪框后对目标进行分割,然后根据分割结果使用P-N学****算法对分割模型进行更新。在本算法中,跟踪算法的性能将很大程度影响最终的分割结果。本文的主要工作包括:1)对视频目标跟踪技术与分割技术进行了综述,并对P-N学****算法、基于BRIEF(BinaryRobustIndependentElementaryFeatures)特征的随机蕨丛(Randomfern)分类器以及Tracking-Learning-Detection(TLD)算法进行了研究。2)为得到一种高实时性的跟踪算法,对TLD算法中的检测器进行了重新设计,提出了一种新的长时间跟踪算法TLLD(Tracking-Learning-Local-Detection)。考虑到总是全屏检测会使算法的实时性不佳,提出了一种自适应生成检测范围的方法,通过约束检测范围以提高检测效率;为缓解学****样本减少造成的负面影响,引入随机蕨丛分类器并设计其P-N学****方法。在公开的TLD数据集上进行实验,结果证明该算法较原始算法准确度略有提升,速度得到显著改善。3)在基于颜色高斯混合模型的图割框架基础上,引入基于BRIEF特征的随机蕨丛分类器并引入P-N学****方法,提出了一种高效率的分割算法,并将其与TLLD算法结合提出了一种结合跟踪技术的视频目标分割算法。实验证明算法能有效处理视频目标分割中目标消失重现的情况。关键词:视频目标分割,目标跟踪,P-N学****随机蕨丛-I-binationwithvisualtrackingAbstractVideoobjectsegmentation,putervision,,suchasintelligenttransportation,poserecognition,,,itissegmentedbytheclassicalGrabCut,,wefirsttracktheobjectivetarget,thecurrentframeissegmentedafterobtainingtrackingbox,andthenthesegmentationresultisutilizedtoupdatesegmentationmodelbyP-