【摘要】：近年來,目標跟蹤成為計算機視覺領域的熱門研究方向。在視覺監(jiān)控、人機交互、軍事等領域都有著廣泛應用前景。隨著計算機運算速度的提高和評價指標的規(guī)范,目標跟蹤領域發(fā)展迅速,許多優(yōu)秀的算法紛紛涌現(xiàn)出來。但是,目標跟蹤在實際應用中還存在著許多挑戰(zhàn),例如目標外觀變化、目標旋轉(zhuǎn)、光照變化、復雜背景影響、目標快速運動、目標遮擋等,這些挑戰(zhàn)影響算法準確性,算法的魯棒性有待進一步提高。近年來基于相關濾波器的跟蹤算法表現(xiàn)十分優(yōu)異,成為該領域的研究熱點。此外,隨著深度學習的發(fā)展,深度學習在視覺跟蹤領域的應用也成為研究方向。本文在基于相關濾波器的跟蹤算法基礎上進行研究,深入了解相關濾波器的理論知識和跟蹤框架,并且深入分析卷積神經(jīng)網(wǎng)絡,使用卷積神經(jīng)網(wǎng)絡提取圖像目標的特征。本文的主要工作如下:針對視覺目標跟蹤算法進行研究,對目標特征描述進行歸納總結(jié),對跟蹤模型進行分類,在此基礎上更好的理解基于相關濾波器的跟蹤算法,并結(jié)合目標的特征描述提出本文的跟蹤算法。提出基于相關濾波器優(yōu)化跟蹤算法。通過對基于相關濾波器的跟蹤算法進行研究學習,在其框架基礎上進行優(yōu)化。首先,算法針對復雜背景的挑戰(zhàn)進行優(yōu)化,提出圖像預處理算法。復雜的背景會使目標特征表達包含多余的信息,采用預處理算法對圖像進行顯著性檢測,突出圖像目標顯著部分,減少冗余信息的干擾。針對目標尺度大小變化進行改進,對圖像進行尺度變化處理得到不同的目標樣本,對不同尺度目標進行特征提取,并根據(jù)不同尺度特征圖的響應大小進行定位。提出基于深度學習特征的跟蹤算法。通過對深度學習網(wǎng)絡進行研究,對卷積網(wǎng)絡提取特征進行分析,將深度學習特征與相關濾波器跟蹤算法結(jié)合。本研究采用了淺層的卷積層輸出和深層的卷積層輸出對目標進行特征表達,淺層的卷積層包含較多的空間信息,而深層的卷積層則包含的更多的語義信息。算法將不同分辨率的特征圖進行融合,同時采用其他傳統(tǒng)特征結(jié)合,增強圖像表達,實現(xiàn)對目標的準確跟蹤。此外,為了應對遮擋情況,采用了優(yōu)化模板更新策略。大部分算法中采用每一幀實時跟蹤模板的策略,算法的時效性較差,同時對于出現(xiàn)遮擋情況,跟蹤器的實時更新會使模板受到污染,導致跟蹤出現(xiàn)偏移,致使跟蹤失敗。因此。本文采取了較為稀疏的更新策略,提高算法對目標遮擋這一問題的魯棒性。
【圖文】：

圖 2-2：基于 SVM 分類的檢測跟蹤圖示自學習 SVM 跟蹤方法以自學習方式構造用于目標、非目標分類的 SVM 分類器。方法對于目標變化較大情況易出現(xiàn)跟蹤漂移，針對這一問題，Tian 等人[62]利用線M 分類器的集合來構造自學習 SVM 跟蹤方法。這些分類器可以根據(jù)它們在不同時

尺度估計示意圖
【學位授予單位】：廣州大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TN713

【相似文獻】

相關期刊論文 前10條

1 楊凱杰;田暢;關文君;;快速目標跟蹤算法及其嵌入式實現(xiàn)[J];軍事通信技術;2016年04期

2 陳偉;祝恩;劉天航;殷建平;邱明輝;;目標跟蹤算法的并行優(yōu)化[J];計算機工程與科學;2016年11期

3 張濤;李繼生;董恩國;;基于人臉識別的移動目標跟蹤算法研究[J];現(xiàn)代制造技術與裝備;2017年02期

4 李賀;;基于深度學習的目標跟蹤算法研究綜述[J];黑龍江科技信息;2017年17期

5 吳小俊;徐天陽;須文波;;基于相關濾波的視頻目標跟蹤算法綜述[J];指揮信息系統(tǒng)與技術;2017年03期

6 王立新,戴冠中;一種分散化多站聯(lián)合目標跟蹤算法[J];航空學報;1988年03期

7 V.納加拉簡;R.N.沙馬;肖萬選;;改善邊跟蹤邊搜索雷達的檢測和跟蹤性能的新方法(第二部分)——檢測、航跡的產(chǎn)生與組合[J];雷達與對抗;1988年05期

8 孟t-;李誠新;;近年目標跟蹤算法短評——相關濾波與深度學習[J];中國圖象圖形學報;2019年07期

9 竇慧;趙書斌;王強;;基于特征點的典型目標跟蹤算法性能分析[J];指揮控制與仿真;2017年02期

10 王麗娜;;基于卡爾曼濾波的單模型目標跟蹤算法的仿真研究[J];中國新通信;2016年10期

相關會議論文 前10條

1 徐炳吉;;一種多站聯(lián)合目標跟蹤算法[A];數(shù)學及其應用文集——中南模糊數(shù)學和系統(tǒng)分會第三屆年會論文集（上卷）[C];1995年

2 肖敬若;胡伏原;鄭江濱;張艷寧;;一種有效的多目標跟蹤算法[A];第十二屆全國信號處理學術年會（CCSP-2005）論文集[C];2005年

3 杜方芳;劉士榮;邱雪娜;;一種改進的粒子濾波目標跟蹤算法[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

4 付曉薇;方康玲;李曦;;一種基于特征的多目標跟蹤算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

5 王亞楠;陳杰;甘明剛;;基于差分進化的改進粒子濾波目標跟蹤算法[A];中國自動化學會控制理論專業(yè)委員會C卷[C];2011年

6 許偉村;趙清杰;;一種基于粒子濾波的多目標跟蹤算法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

7 石章松;劉忠;;一種使用輔助變量的單站純方位目標跟蹤算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

8 段萌遠;于俊清;王錦;;基于活動狀態(tài)分類的多目標跟蹤算法[A];第二屆和諧人機環(huán)境聯(lián)合學術會議(HHME2006)——第15屆中國多媒體學術會議(NCMT'06)論文集[C];2006年

9 張震宇;王立松;;基于粒子濾波的傳感器目標跟蹤算法[A];2008年中國高校通信類院系學術研討會論文集（上冊）[C];2009年

10 郭春;羅鵬飛;;一種基于小波變換的目標跟蹤算法研究[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

相關博士學位論文 前10條

1 李康;圖像序列中魯棒的視覺目標跟蹤算法研究[D];武漢大學;2016年

2 曾憲佑;復雜場景下魯棒的目標跟蹤算法研究[D];北京交通大學;2019年

3 楊森泉;基于稀疏分析的魯棒目標跟蹤研究[D];廣東工業(yè)大學;2019年

4 胡秀華;復雜場景中目標跟蹤算法研究[D];西北工業(yè)大學;2017年

5 王全輝;篩選式知識輔助多模型機動目標跟蹤算法[D];深圳大學;2018年

6 產(chǎn)思賢;基于視覺系統(tǒng)的智能目標跟蹤算法研究[D];浙江工業(yè)大學;2018年

7 胡琪;基于隨機矩陣的擴展目標跟蹤算法研究[D];西安電子科技大學;2018年

8 張鐸;基于水下無線傳感器網(wǎng)絡的自組織目標跟蹤算法研究[D];浙江大學;2019年

9 郭巳秋;基于TLD的粒子群目標跟蹤理論與應用技術研究[D];中國科學院大學(中國科學院長春光學精密機械與物理研究所);2019年

10 儲琪;基于深度學習的視頻多目標跟蹤算法研究[D];中國科學技術大學;2019年

相關碩士學位論文 前10條

1 楊一豐;基于CNN的目標跟蹤算法研究[D];電子科技大學;2019年

2 陳小旋;視頻目標跟蹤算法魯棒性研究[D];廣州大學;2019年

3 張亞琴;視頻序列中的單目標跟蹤算法研究[D];新疆大學;2019年

4 盧耀坤;復雜場景運動目標跟蹤算法研究[D];電子科技大學;2019年

5 鄭輝;復雜條件下實時目標跟蹤算法設計與實現(xiàn)[D];電子科技大學;2019年

6 李軍;基于視覺注意機制的目標跟蹤算法研究[D];華北理工大學;2019年

7 王碩豪;基于深度學習的目標跟蹤算法研究[D];江西理工大學;2019年

8 湯玉;多特征隨機集濾波視頻目標跟蹤算法研究[D];江南大學;2019年

9 胡雯;無人機視角地面目標檢測與跟蹤[D];電子科技大學;2019年

10 李倩;基于相關濾波的目標跟蹤算法研究[D];吉林大學;2019年

，

本文編號：2587771