【摘要】：近年來,隨著互聯(lián)網(wǎng)技術的不斷發(fā)展,運動目標跟蹤技術逐漸在社會的各個方面有著廣泛的應用,但該技術目前尚未完全成熟,比如在一些復雜的運動環(huán)境中,當目標發(fā)生形變,運動模糊以及遮擋等變化時,一般算法不能很好的應對兩種及兩種以上目標發(fā)生突變的情況,容易發(fā)生漂移、錯跟等現(xiàn)象,導致跟蹤失敗。本文通過對目前已有的一些主流跟蹤算法進行研究與分析,提出了改進的方法,并驗證其魯棒性。基于相關濾波器的跟蹤算法是當下跟蹤領域中的一個主流分支,利用目標特征訓練一個濾波器,將時間域中的復雜計算變換到傅里葉域中,轉換為各個元素之間的點乘,來對測試樣本與濾波器進行相關運算,找到濾波器輸出響應值最大的區(qū)域即為目標所在的區(qū)域。由于基于相關濾波器的跟蹤算法提升了跟蹤速度,跟蹤的效果比較好,所以本文在此基礎上進行研究,從以下幾個方面來展開工作:(1)首先將經(jīng)典的跟蹤算法卡爾曼濾波、粒子濾波與相關濾波跟蹤算法進行分析對比,確定本文在相關濾波的框架下來進行;接著對基于相關濾波器的一般跟蹤過程進行詳細介紹,主要包括提取目標的特征、訓練濾波器以及更新濾波器這三個過程,并簡單的介紹每個過程中不同算法采用的方法。(2)由于傳統(tǒng)的基于顏色命名過程(CN)的目標跟蹤算法,采用一種改進的顏色特征來對目標進行描述,具有運算量小且實時性好的優(yōu)點,但傳統(tǒng)CN算法在目標出現(xiàn)尺度變換時,跟蹤的效果不好,為此我們對其進行改進,引入圖像尺度金字塔來設計一種基于顏色特征的自適應目標跟蹤算法,并采用國際上公用的測試集來對改進的方法進行定量與定性分析。(3)在實時的跟蹤視頻中,目標經(jīng)常在復雜的環(huán)境中運動,而僅僅使用顏色特征來對目標進行描述的話,在目標與背景顏色相似或相近的時候,容易將背景與目標混淆,于是我們引入方向梯度直方圖HOG這個局部特征,將全局特征與局部特征相結合,對目標進行比較全面的描述。實驗表明,本文提出的算法在攝像機晃動,目標表觀發(fā)生不可恢復的形變以及目標與背景顏色相似等復雜的運動場景下,都可以比較準確的跟蹤到目標,克服了顏色特征與HOG特征各自的缺點,具有較好的魯棒性。
【學位授予單位】：昆明理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN713
【圖文】：

運而生[2]。計算機視覺技術是一項研究如何讓機器設備擁有人眼所具有的檢測與識別功圖像或多維數(shù)據(jù)流中獲取“信息”功能的一種技術，其涉及圖形學、人工智能識別等多個領域。隨著計算機學科的發(fā)展，計算機視覺如雨后春筍般快速崛起數(shù)據(jù)分析是計算機視覺領域的一個研究熱點，而視覺目標跟蹤(Visual Obacking)是其主流。運動目標跟蹤的任務是在視頻序列的每一幀中都可以實時地、準確地找到感興標的位置[3]。目標跟蹤算法大致分為三步：首先建立目標模型，手動選取或通過程序找到感興趣的目標位置，即目標的初始化后對目標進行特征提��；接著搜索位目標，在預測區(qū)域內(nèi)采用某種搜索策略進行搜索，通過數(shù)學計算，在圖像序列一幀中都找到與目標匹配度最高的區(qū)域；最后，對目標的運動軌跡進行分析預一般地，按照圖像序列中感興趣區(qū)域的個數(shù)，將運動目標跟蹤分為單目標跟蹤目標跟蹤兩大類，如圖 1.1 所示。本論文針對圖像序列中的一個感興趣區(qū)域，即目標跟蹤的基礎上進行研究的。

圖 1.3 判別式算法框架在基于判別式模型跟蹤算法的研究初期，需要大量的訓練樣本來訓練分類器，這就使初期的跟蹤算法的速度達不到實時性的要求。SR Collins 等人提出了一種基于在線特征選擇的判別式跟蹤算法[21-23]，對于目標的所有特征，都采用似然估計的方法對背景與目標的方差比進行排名，進而選擇最能判別背景與目標的特征訓練分類器，雖然使得跟蹤結果更為準確，但是在特征選取的過程中耗時久。接著 FengTang等人提出一種半監(jiān)督式的目標跟蹤算法[24]，該算法只需對少量的標記樣本進行初始化，采用半監(jiān)督學習的方法學習未標記的新樣本，大大提升了跟蹤的速度。后來，Henriques 等人提出了一種基于檢測－跟蹤的算法(Circulant Structure otracking - by - detection with Kernel，CSK)[25]，采用判別的方法來檢測候選區(qū)域是否含有目標，降低了建立數(shù)學模型的復雜度，CSK 算法對作為訓練樣本的目標與周圍背景進行循環(huán)移位，將其看作對目標與周圍背景的密集采樣，用來訓練分類器，對候選區(qū)域進行循環(huán)移位，利用訓練好的分類器檢測并找到目標所在的位置。由于 CSK 算

【參考文獻】

相關期刊論文 前5條

1 張亞紅;楊欣;沈雷;周延培;周大可;;基于視覺顯著性特征的自適應目標跟蹤[J];吉林大學學報(信息科學版);2015年02期

2 高文;朱明;賀柏根;吳笑天;;目標跟蹤技術綜述[J];中國光學;2014年03期

3 朱明清;王智靈;陳宗海;;基于人類視覺智能和粒子濾波的魯棒目標跟蹤算法[J];控制與決策;2012年11期

4 呂英麗;徐小君;葛宇;;基于SVM算法的移動終端圖像檢索系統(tǒng)設計[J];河北建筑工程學院學報;2012年02期

5 康健,司錫才,芮國勝;基于貝葉斯原理的粒子濾波技術概述[J];現(xiàn)代雷達;2004年01期

相關碩士學位論文 前4條

1 董艷梅;基于相關濾波器的目標跟蹤技術[D];北京理工大學;2015年

2 張丹;多幀樣本模板更新的視頻圖像運動目標跟蹤算法研究[D];燕山大學;2014年

3 周欣;圓形和三角形交通標志分割與識別算法研究[D];華東理工大學;2013年

4 汪婧;基于點特征的目標跟蹤算法研究及其在機器人導航上的應用[D];南京理工大學;2008年

本文編號：2726012