分布式多摄像头目标跟踪外观建模研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61801242
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    25.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0117.多媒体信息处理
  • 结题年份:
    2021
  • 批准年份:
    2018
  • 项目状态:
    已结题
  • 起止时间:
    2019-01-01 至2021-12-31

项目摘要

Occlusion has become a major challenge for visual tracking, especially in the crowded scene. Traditional single camera based visual tracking could not solve this problem well due to the limitation of pan/tilt. To solve this problem, in this project, the multi-camera target feature fusion based appearance model is studied for robust visual tracking when adjacent cameras can share target appearance with each other. The innovations in this project include: Firstly, a multi-layer convolutional sparse coding based appearance model is proposed to explore the deep structure in multi-view appearance fusing result to resist adversarial examples. Secondly, a spatial-time based multi-view state fusing method, which can explore the state relation in successive slots to alleviate the disturbance caused by multi-view state variations, is proposed to ensure that the trajectory estimation result can assist the updating process in appearance model. Thirdly, a Bayesian model is proposed to solve the camera selection problem. This project is important for the multimedia information processing with artificial intelligence.
人流密集场景下的动态遮挡是目标跟踪面临的最大挑战。单摄像头目标跟踪由于拍摄视角受限并不能很好解决这一难题。对此,本课题考虑摄像头密集分布且彼此交互外观或状态目标特征信息的监控场景,探索多摄像头目标特征互补融合方法以构建外观模型,实现动态遮挡下准确目标跟踪。主要研究内容和创新点包括:构建外观模型时,借鉴多层卷积稀疏编码理论,探究多视角外观特征融合结果深层结构,提升外观模型对对抗样本的鲁棒性;为保证运动轨迹准确性以协助外观模型更新,本课题深入挖掘多视角状态特征历史数据与当前数据的关联性,提出基于空时相关性的多视角状态特征融合方法,抑制摄像头状态数据差异性造成的干扰;为排除无效视角对外观融合的干扰,进一步提升外观建模可靠性,本课题构建贝叶斯图模型,从概率统计角度实现邻近摄像头的选取。项目研究对多媒体信息智能化处理发展具有重要的意义。

结项摘要

人流密集场景下的动态遮挡是目标追踪面临的最大挑战。为应对上述挑战,本课题紧紧围绕分布式多摄像头联合目标跟踪外观建模这一主题展开研究,通过有效联合编码充分挖掘多源摄像头采集数据间冗余互补性,提升目标跟踪在人流密集复杂监控场景下的鲁棒性。课题的主要研究内容以及创新包括:为克服分布式多摄像头观测数据的结构差异,借助multi-view learning 思想以及稀疏表示理论,构建基于多视图特征融合的联合稀疏表示优化模型。通过联合稀疏编码,充分挖掘运动目标多种异构外观特征间潜在关联性,实现多源数据互补增强;提出基于逆稀疏表示的协同编码方案,将原本独立的三个任务:逆稀疏表示、特征抽取和多视角关联分析,统一到两目标联合优化框架中,在最大-最小优化博弈中寻求各个任务的折中。此方案可有效解决红外以及可见光摄像头联合监控中尚未有效解决的难点:当红外以及可见光目标都被严重遮挡且只有极少外观特征可用于互补融合时,如何有效挖掘局部有效信息实现鲁棒性外观表征;提出基于小样本的多源特征可靠性离线学习模型,通过最小化多目标联合稀疏误差,调节特征分类的类内以及类间差异,自适应过滤出被遮挡目标的有用信息,弥合有效信息在不同视角特征中的表征差异;将分布式多摄像头监控场景中的独立摄像头所涉及的跨层联合特征抽取建模为关联分析问题,在探究不同卷积层、不同卷积通道语义特征相关性基础上有效消除冗余信息干扰,使跟踪器外观建模更专注于与运动目标密切关联的语义特征信息。所取得的研究成果有助于为重特大突发公共安全事件防控涉及的多摄像头协同信息提取及分析提供理论以及技术支撑。

项目成果

期刊论文数量(14)
专著数量(0)
科研奖励数量(0)
会议论文数量(5)
专利数量(5)
Noise robust intuitionistic fuzzy c-means clustering algorithm incorporating local information
结合局部信息的噪声鲁棒直觉模糊c均值聚类算法
  • DOI:
    10.1049/ipr2.12064
  • 发表时间:
    2020-12
  • 期刊:
    IET Image Processing
  • 影响因子:
    2.3
  • 作者:
    Yang Z;Xu P;Yang Y;Kang B
  • 通讯作者:
    Kang B
多尺度格兰杰因果在行为分析中的应用
  • DOI:
    --
  • 发表时间:
    2019
  • 期刊:
    南京邮电大学学报(自然科学版)
  • 影响因子:
    --
  • 作者:
    樊亚文;周 全;康 彬
  • 通讯作者:
    康 彬
Cross-scene foreground segmentation with supervised and unsupervised model communication
具有监督和无监督模型通信的跨场景前景分割
  • DOI:
    10.1016/j.patcog.2021.107995
  • 发表时间:
    2021-05-04
  • 期刊:
    PATTERN RECOGNITION
  • 影响因子:
    8
  • 作者:
    Liang, Dong;Kang, Bin;Kaneko, Shun'ichi
  • 通讯作者:
    Kaneko, Shun'ichi
时延约束下采用SVC编码的D2D协作视频多播传输方案
  • DOI:
    10.16798/j.issn.1003-0530.2019.03.007
  • 发表时间:
    2019
  • 期刊:
    信号处理
  • 影响因子:
    --
  • 作者:
    王磊;林煌达;康彬;崔景伍;郑宝玉
  • 通讯作者:
    郑宝玉
Grayscale-Thermal Tracking via Inverse Sparse Representation-Based Collaborative Encoding
通过基于逆稀疏表示的协作编码进行灰度热跟踪
  • DOI:
    10.1109/tip.2019.2959912
  • 发表时间:
    2020-01-01
  • 期刊:
    IEEE TRANSACTIONS ON IMAGE PROCESSING
  • 影响因子:
    10.6
  • 作者:
    Kang, Bin;Liang, Dong;Zhu, Wei-Ping
  • 通讯作者:
    Zhu, Wei-Ping

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

一种基于压缩感知的图像去马赛克算法
  • DOI:
    --
  • 发表时间:
    2014
  • 期刊:
    南京邮电大学学报(自然科学版)
  • 影响因子:
    --
  • 作者:
    康彬;朱卫平
  • 通讯作者:
    朱卫平
基于Rietveld无标样定量研究HMX的β→δ等温相变动力学
  • DOI:
    --
  • 发表时间:
    --
  • 期刊:
    爆炸与冲击
  • 影响因子:
    --
  • 作者:
    薛超;孙杰;宋功保;康彬;夏云霞;XUE Chao1,2, SUN Jie2, SONG Gong-bao1, KANG Bin2,;2. Institute of Chemical Materials, China Academy
  • 通讯作者:
    2. Institute of Chemical Materials, China Academy
轨道角动量无线通信发展综述
  • DOI:
    10.14132/j.cnki.1673-5439.2020.05.008
  • 发表时间:
    2020
  • 期刊:
    南京邮电大学学报(自然科学版)
  • 影响因子:
    --
  • 作者:
    郑宝玉;王磊;康彬;王乐
  • 通讯作者:
    王乐
2(3PUS+S)并联机构驱动部件振动模型分析
  • DOI:
    --
  • 发表时间:
    2019
  • 期刊:
    科学技术与工程
  • 影响因子:
    --
  • 作者:
    康彬;程刚;乔智;郭锋
  • 通讯作者:
    郭锋
水平梯度冷凝法生长优质ZnGeP_2单晶与性能表征
  • DOI:
    10.14062/j.issn.0454-5648.2016.04.04
  • 发表时间:
    2016
  • 期刊:
    硅酸盐学报
  • 影响因子:
    --
  • 作者:
    康彬;窦云巍;唐明静;袁泽锐;方攀;张羽;陈莹;尹文龙
  • 通讯作者:
    尹文龙

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

康彬的其他基金

基于动态关联挖掘的视频处理多任务联合学习方法研究
  • 批准号:
  • 批准年份:
    2021
  • 资助金额:
    57 万元
  • 项目类别:
    面上项目
基于动态关联挖掘的视频处理多任务联合学习方法研究
  • 批准号:
    62171232
  • 批准年份:
    2021
  • 资助金额:
    57.00 万元
  • 项目类别:
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码