作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)主流方向,目標(biāo)跟蹤具有重要的研究意義和廣泛的商業(yè)價(jià)值,越來越引起計(jì)算機(jī)視覺研究者的密切關(guān)注。近年來,在國內(nèi)外研究人員的努力下,以相關(guān)濾波和深度學(xué)習(xí)方法為代表的高水平目標(biāo)跟蹤算法不斷被提出,但當(dāng)目標(biāo)遇到光照變化、尺度變化、遮擋、快速運(yùn)動(dòng)等復(fù)雜情況時(shí),快速精確地跟蹤目標(biāo)仍然具有很大挑戰(zhàn)。由于卷積神經(jīng)網(wǎng)絡(luò)具有優(yōu)秀的特征表達(dá)能力,相關(guān)濾波中使用卷積特征替代手工特征,取得了良好的效果。本文基于分層卷積特征相關(guān)濾波器HCF,在特征提取、跟蹤模型、多個(gè)跟蹤器的融合處理等方面進(jìn)行改進(jìn)。本文的主要內(nèi)容如下:（1）針對(duì)預(yù)訓(xùn)練的卷積特征在跟蹤任務(wù)中存在冗余的問題,設(shè)計(jì)了一種目標(biāo)感知模型,通過第一幀的目標(biāo)信息,學(xué)習(xí)具有目標(biāo)感知的深度特征,減少特征數(shù)量同時(shí)緩解模型過度擬合問題。（2）針對(duì)HCF在快速運(yùn)動(dòng)、快速形變和目標(biāo)遮擋等復(fù)雜環(huán)境跟蹤效果較差問題,提出基于特征融合跟蹤框架。將特征圖從頻域隱性插值到連續(xù)域,每個(gè)特征分支在連續(xù)空間域中獨(dú)立學(xué)習(xí)由一系列加入空間正則化連續(xù)濾波器組成的卷積算子。設(shè)計(jì)了一種自適應(yīng)決策融合策略,自適應(yīng)地融合不同分支的目標(biāo)位置來定位目標(biāo)。（3）由于缺少重新檢測(cè)模塊,H... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

目標(biāo)跟蹤系統(tǒng)

燕山大學(xué)工學(xué)碩士學(xué)位論文10趣目標(biāo)區(qū)域進(jìn)行相關(guān)操作時(shí)，獲取最大的響應(yīng)輸出即為感興趣區(qū)域的中心坐標(biāo)，從而實(shí)現(xiàn)目標(biāo)的位置定位，其原理如圖2-2所示。圖2-2基本原理MOSSE是第一次將相關(guān)濾波引入目標(biāo)跟蹤的算法。令f為輸入圖像，h為需要訓(xùn)練的濾波模板，g為輸出響應(yīng)通常設(shè)置為高斯形狀。則通過公式表示相關(guān)濾波的原理為gfh(2-2)相關(guān)濾波器跟蹤原理實(shí)質(zhì)上等同于頻域?yàn)V波，利用快速傅里葉變換將公式(2-2)中的卷積操作變換成如式(2-3)頻域中的點(diǎn)乘操作，這樣降低了算法的運(yùn)算量，從而使算法的速度較大提升。*GHF(2-3)其中，G、F和H分別為g、f和h的傅里葉變換，則設(shè)計(jì)的濾波器為*GHF(2-4)在實(shí)際跟蹤中，考慮到目標(biāo)的外觀變化的影響，為提高濾波模板的魯棒性，把目標(biāo)的m個(gè)圖像作為參考樣本，借助均方和誤差求取濾波器，得到目標(biāo)函數(shù)為**21min||miiHiHFG(2-5)求解上式時(shí)，利用卷積定理，濾波器中的任意元素均是由頻域中矩陣對(duì)應(yīng)元素相乘求得，可以先求解每一個(gè)元素，處理完H中的所有元素得到**1*1miiimiiiFGHFF(2-6)這時(shí)我們就可以通過求出的濾波模板進(jìn)行跟蹤，把訓(xùn)練獲得的濾波器對(duì)下一幀圖像進(jìn)行相關(guān)操作，得到對(duì)應(yīng)響應(yīng)值G，經(jīng)過傅里葉反變換，求出空域中所對(duì)應(yīng)的

第2章分層卷積特征相關(guān)濾波11輸出響應(yīng)g，找出響應(yīng)中最大的點(diǎn)所對(duì)應(yīng)的坐標(biāo)作為目標(biāo)的估計(jì)位置，從而實(shí)現(xiàn)目標(biāo)的跟蹤。2.3核相關(guān)濾波Bolme等提出平方誤差最小濾波器MOSSE，把相關(guān)濾波的思想運(yùn)用到了跟蹤問題中，良好的跟蹤性能與極快的跟蹤速度，使相關(guān)濾波在目標(biāo)跟蹤領(lǐng)域成為了一個(gè)研究熱點(diǎn)，后續(xù)學(xué)者深入研究不斷提出跟蹤性能更好的濾波器。隨著基于檢測(cè)跟蹤算法的廣泛應(yīng)用，針對(duì)相關(guān)濾波中樣本數(shù)量不足的問題，Henriques等人提出CSK算法，在采樣階段對(duì)目標(biāo)區(qū)域進(jìn)行循環(huán)采樣，利用中心圖像塊循環(huán)移位近似窗口移位。中心圖像及移位后圖像如圖2-3a)所示，二維循環(huán)矩陣示例如圖2-3b)所示。作者近一步對(duì)CSK改進(jìn)，提出KCF算法，將CSK中的單通道灰度特征擴(kuò)展到多通道的HOG特征。下面以KCF算法為例，從訓(xùn)練階段和檢測(cè)階段詳細(xì)介紹核相關(guān)濾波器的主要思想。a)移位圖像b)二維矩陣圖2-3移位圖像在訓(xùn)練階段將訓(xùn)練相關(guān)濾波跟蹤器表示為最小化的嶺回歸問題，取12(,,,)nxxx共n個(gè)樣本，12(,,,)nyyy分別是樣本對(duì)應(yīng)的回歸值，對(duì)樣本訓(xùn)練的目的是得到一個(gè)函數(shù)()Tfzwz去最小化所有的樣本ix與其對(duì)應(yīng)的回歸值iy的均方誤差，目標(biāo)函數(shù)為221min(())||niiwifxyw(2-7)式中為正則化參數(shù)，防止過擬合并且能夠提高分類器的泛化能力。求解上式得到

【參考文獻(xiàn)】：
期刊論文
[1]基于多層深度卷積特征的抗遮擋實(shí)時(shí)跟蹤算法[J]. 崔洲涓,安軍社,崔天舒.  光學(xué)學(xué)報(bào). 2019(07)
[2]目標(biāo)跟蹤算法綜述[J]. 孟琭,楊旭.  自動(dòng)化學(xué)報(bào). 2019(07)
[3]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識(shí)別與人工智能. 2018(01)
[4]視覺導(dǎo)航技術(shù)的發(fā)展及其研究分析[J]. 王先敏,曾慶化,熊智,劉建業(yè).  信息與控制. 2010(05)
[5]粒子濾波算法綜述[J]. 胡士強(qiáng),敬忠良.  控制與決策. 2005(04)
[6]紅外探測(cè)陣列對(duì)固體導(dǎo)彈尾焰跟蹤定位的研究[J]. 趙久奮,王明海.  固體火箭技術(shù). 2000(04)

博士論文
[1]基于混成系統(tǒng)的視頻目標(biāo)檢測(cè)與跟蹤算法研究[D]. 張曉宇.上海交通大學(xué) 2016
[2]智能交通監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D]. 崔雨勇.華中科技大學(xué) 2012
[3]面向智能視頻監(jiān)控的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法研究[D]. 焦波.國防科學(xué)技術(shù)大學(xué) 2009

碩士論文
[1]基于相關(guān)濾波的視覺目標(biāo)跟蹤[D]. 望少建.西安電子科技大學(xué) 2018
[2]基于深度學(xué)習(xí)的目標(biāo)跟蹤算法研究[D]. 李藍(lán)星.哈爾濱工業(yè)大學(xué) 2018



本文編號(hào)：3380949