【摘要】：視覺單目標(biāo)跟蹤是計(jì)算機(jī)視覺的研究熱點(diǎn)之一,在人機(jī)交互、智能監(jiān)控、自動(dòng)駕駛、智慧城市等許多領(lǐng)域具有十分廣泛的應(yīng)用。但目前仍然不存在一種跟蹤算法能夠同時(shí)適用于有遮擋、旋轉(zhuǎn)、光照變化等多種挑戰(zhàn)因素并存的復(fù)雜場(chǎng)景。因此,繼續(xù)對(duì)該領(lǐng)域進(jìn)行研究具有很重要的現(xiàn)實(shí)價(jià)值。近年來(lái),相關(guān)濾波器的思想在視覺跟蹤領(lǐng)域得到應(yīng)用,其效率高、效果佳的優(yōu)勢(shì)獲得目標(biāo)跟蹤領(lǐng)域的關(guān)注。本文立足于相關(guān)濾波器跟蹤算法,以其中的判別式尺度空間跟蹤器(Discriminative Scale Space Tracker,DSST)為基準(zhǔn)跟蹤器,從特征表示、模型建立、更新策略等方面對(duì)DSST算法進(jìn)行了改進(jìn)。本文主要研究?jī)?nèi)容如下:(1)在特征表示方面,針對(duì)DSST算法使用單一特征而表征目標(biāo)能力不足的局限性,融合多種手工特征作為補(bǔ)充,以便更充分的表征目標(biāo),同時(shí)利用自學(xué)習(xí)PCA算法對(duì)融合后的多種特征進(jìn)行降維,以去除冗余并保留特征的有效信息,進(jìn)一步提升算法效率。然后,為了更好的利用多通道特征中每一通道的表示能力,對(duì)得到的多個(gè)響應(yīng)通道進(jìn)行自適應(yīng)加權(quán)。最后,算法融入卷積特征,并通過(guò)實(shí)驗(yàn)驗(yàn)證其性能提升4.4%。(2)在模型建立方面,針對(duì)相關(guān)濾波器算法樣本不足且存在邊界效應(yīng)的缺陷,利用上下文信息增加真實(shí)樣本的數(shù)量,抑制濾波器對(duì)背景區(qū)域的響應(yīng),減少邊界效應(yīng)對(duì)算法的影響,提高算法的魯棒性。同時(shí),為了增強(qiáng)濾波器的判別能力,為相關(guān)濾波器算法模型施加子空間約束,該約束實(shí)質(zhì)上作用于當(dāng)前濾波器,利用歷史濾波器與當(dāng)前濾波器之間的距離度量,為每個(gè)濾波器施加自適應(yīng)的權(quán)重,通過(guò)對(duì)這些濾波器的加權(quán)求和,對(duì)當(dāng)前濾波器形成約束,從而使成功率提升3.3%。(3)對(duì)相關(guān)濾波器跟蹤算法而言,模板的可靠性至關(guān)重要,不可靠模型參與更新,會(huì)使跟蹤效率下降,并可能導(dǎo)致跟蹤失敗。因此,針對(duì)模型更新模塊,分別對(duì)最小平均峰值相關(guān)能量與最小加權(quán)間隔的思想進(jìn)行研究改進(jìn),提出兩種模型更新策略,能夠自適應(yīng)的選擇高置信的模板幀進(jìn)行更新,使跟蹤器摒棄受到污染的模型,保證了所利用濾波器的質(zhì)量,使算法成功率分別提升2%和1.1%,且跟蹤效率大幅提升。綜上所述,本文從三個(gè)研究點(diǎn)出發(fā),對(duì)DSST算法及其后續(xù)fast DSST(fDSST)算法進(jìn)行改進(jìn),共提出兩種改進(jìn)的跟蹤算法,分別為基于加權(quán)融合與自適應(yīng)更新的實(shí)時(shí)相關(guān)濾波器跟蹤算法和基于上下文融合與子空間約束的實(shí)時(shí)相關(guān)濾波器跟蹤算法。經(jīng)過(guò)大量的分析、比對(duì)與驗(yàn)證,充分證明了本文改進(jìn)算法的有效性與優(yōu)越性。
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TN713

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 石武禎;寧紀(jì)鋒;顏永豐;;壓縮感知跟蹤中的特征選擇與目標(biāo)模型更新[J];中國(guó)圖象圖形學(xué)報(bào);2014年06期

2 劉亞娟;莊肖波;;基于選擇性模型更新與卡爾曼濾波的目標(biāo)模型更新算法[J];科學(xué)技術(shù)與工程;2012年34期

3 黃安奇;侯志強(qiáng);余旺盛;劉翔;;利用背景加權(quán)和選擇性子模型更新的視覺跟蹤算法[J];中國(guó)圖象圖形學(xué)報(bào);2014年09期

4 黑石頭;;邪神的爪牙——戰(zhàn)錘混沌戰(zhàn)士[J];模型世界;2008年12期

5 黎明;計(jì)春雷;;基于支持向量機(jī)的彩色序列圖像復(fù)原模型更新算法[J];上海電機(jī)學(xué)院學(xué)報(bào);2009年04期

6 楊惠蘭;謝毅;趙雪汝;張維;何先友;;事件持續(xù)時(shí)間對(duì)情景模型更新的影響[J];心理科學(xué);2016年02期

7 鐘懷兵;熊偉麗;徐保國(guó);;一種帶模型更新的GPR在線軟測(cè)量方法[J];控制工程;2018年02期

8 沈志熙;楊欣;黃席樾;;均值漂移算法中的目標(biāo)模型更新方法研究[J];自動(dòng)化學(xué)報(bào);2009年05期

9 張亞X;高學(xué)金;曹彩霞;李亞芬;王普;;一種帶有模型更新機(jī)制的JITL-MPLS故障監(jiān)測(cè)方法[J];計(jì)算機(jī)與應(yīng)用化學(xué);2018年06期

10 王英杰;焦彬洋;姚忠達(dá);時(shí)瑾;;基于實(shí)測(cè)數(shù)據(jù)的車軌耦合模型更新方法[J];振動(dòng).測(cè)試與診斷;2018年02期

相關(guān)會(huì)議論文 前3條

1 謝毅;王靖;何先友;;文本閱讀中時(shí)間轉(zhuǎn)換的加工和監(jiān)測(cè)[A];第十五屆全國(guó)心理學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2012年

2 李波;袁保宗;;LMSF Mean Shift目標(biāo)跟蹤算法[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

3 韓正之;;HAC合成過(guò)程的建模[A];1997年中國(guó)控制會(huì)議論文集[C];1997年

相關(guān)博士學(xué)位論文 前7條

1 楊格;基于控制點(diǎn)和本構(gòu)模型更新的混合試驗(yàn)方法及平臺(tái)實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2018年

2 李遠(yuǎn)征;人體目標(biāo)跟蹤和表情識(shí)別中的若干問(wèn)題研究[D];西安電子科技大學(xué);2013年

3 郭甲騰;地礦三維集成建模與空間分析方法及其應(yīng)用[D];東北大學(xué);2013年

4 陳永盛;基于截面屈服面模型更新的框架結(jié)構(gòu)混合試驗(yàn)方法[D];哈爾濱工業(yè)大學(xué);2015年

5 蔣良衛(wèi);圖像序列中目標(biāo)跟蹤技術(shù)研究[D];華中科技大學(xué);2013年

6 王濤;基于模型更新的土木結(jié)構(gòu)混合試驗(yàn)方法[D];哈爾濱工業(yè)大學(xué);2014年

7 伍博;基于顯著性的視覺目標(biāo)跟蹤研究[D];電子科技大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 徐嘉宏;基于判別式尺度空間相關(guān)濾波器的視覺跟蹤方法研究[D];西北農(nóng)林科技大學(xué);2019年

2 黃江雷;基于目標(biāo)表征學(xué)習(xí)和更新建模的視頻跟蹤技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

3 陳令奕;近紅外模型更新方法及在食品檢測(cè)中的應(yīng)用[D];江南大學(xué);2018年

4 楊治國(guó);視頻監(jiān)控中行人檢測(cè)與跟蹤的算法研究[D];湖南大學(xué);2015年

5 郭東生;農(nóng)產(chǎn)品品質(zhì)檢測(cè)模型更新方法研究[D];江南大學(xué);2018年

6 劉陽(yáng);基于多模型框架的跟蹤算法研究[D];華中科技大學(xué);2017年

7 劉桐;針對(duì)樣本選擇和模型控制的跟蹤算法研究[D];天津大學(xué);2017年

8 李永s，

本文編號(hào)：2704699