【摘要】：視頻目標跟蹤作為計算機視覺的一個研究熱點,被廣泛應用在民生和軍事等各個領域。KCF目標跟蹤算法采用性能較好的HOG特征提高跟蹤準確度,并使用循環(huán)移位的近似密集采樣方式,通過核機制實現(xiàn)高維空間內積的快速計算,降低運算復雜度,獲得了較高的跟蹤速度。由于實際跟蹤環(huán)境的多樣性,跟蹤場景及目標變化復雜,KCF算法對快速運動、運動模糊、出視野、尺度變化、剛性形變等屬性的視頻跟蹤效果不佳�？焖龠\動視頻場景容易導致目標跟蹤框的漂移現(xiàn)象,目標跟蹤失誤可能會不斷地蔓延與積累,最終造成目標跟蹤嚴重失敗。為了解決上述問題,本論文提出了一種改進的自適應多采樣KCF目標跟蹤算法。算法引入PSNR跟蹤失誤判斷機制來判斷當前目標跟蹤結果是否正確,并采用多采樣塊的目標跟蹤檢測方法來提高跟蹤準確度。如果當前目標位置跟蹤正確,則輸出跟蹤目標:反之如果判斷當前目標位置跟蹤失誤,則采用KCF算法檢測多個采樣塊,其中多個采樣塊濾波器響應值最大的位置為最終跟蹤到的目標位置。該算法涉及跟蹤失誤判別指標閾值、多采樣塊分布偏移步長,以及多采樣塊分布方法三個參數(shù),論文通過大量實驗測試分析,分別給出了這些參數(shù)的選擇依據(jù)和最優(yōu)參數(shù)取值。對比目前先進的相關濾波目標跟蹤算法,實驗結果顯示本文改進的算法跟蹤性能相對更佳,在OTB-100數(shù)據(jù)集中進行評估時比原始KCF算法在精確度和成功率上分別提高了5.3%和4.3%。特別是對于快速運動、運動模糊以及出視野屬性的視頻序列,本文算法與原始KCF算法相比在精確度上分別提高了 17.6%、22%以及28.2%,且平均跟蹤速率達到108.75FPS,證明了本文算法在高速率跟蹤的基礎上擁有更優(yōu)秀的跟蹤準確率。
【學位授予單位】：西安科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TN713
【圖文】：

形成 9+18=27 個通道，將每個通道數(shù)據(jù)進行疊加，得到 27 維圖像的準確描述，F(xiàn)HOG 特征還引入了 4 個圖像的表觀紋理特征1 維的數(shù)據(jù)，在保留絕大部分信息的基礎上，成功將 HOG 的了特征提取時的計算復雜度，使 FHOG 特征應用到目標跟蹤較小。

┨荻確較蚧釒摯?（b）單元 cell 內統(tǒng)計梯度方向圖 2.2 統(tǒng)計單元 cell 內梯度方向直方圖2.4.4 塊內歸一化以無符號梯度投票為例，定義每 4 個相鄰的 cell 為一個 block 塊，每個 block 塊的梯度方向直方圖由 4 個 cell 的梯度方向直方圖串聯(lián)而成，則每個 block 塊可得一個 36 維的特征向量。當圖像受光照影響較大時，梯度幅值將產生較大的變化，影響圖像的邊緣信息，為了進一步降低光照變化的影響，需要對 block 塊內的特征向量進行歸一化處理。歸一化處理方式有四種，可表示為：L2-norm：222vevf （2.16）L1-norm：()1vevf （2.17）L1-sqrt:()1vevf （2.18）L2-Hys：它可以通過先進行 L2-norm，對結果進行截短（即值被限制為v- 0 .2v之間），然后再重新歸一化得到。其中v 為 36 維的 block 特征向量

相關濾波目標跟蹤算法將相關濾波的概念引入到目標跟蹤領域，通過設計濾波器標與背景進行區(qū)分，從而完成目標檢測，達到對視頻目標進行跟蹤的目的。如圖 3.1 所示，本文總結了近年來性能良好的相關濾波類目標跟蹤算法，并梳理發(fā)展的譜系結構。

【參考文獻】

相關期刊論文 前2條

1 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

2 李科;徐克虎;張波;;多特征自適應融合的軍事偽裝目標跟蹤[J];計算機工程與應用;2012年34期

相關博士學位論文 前2條

1 賀文驊;基于計算機視覺的復雜場景下目標跟蹤研究[D];西安電子科技大學;2015年

2 王書朋;視頻目標跟蹤算法研究[D];西安電子科技大學;2009年

本文編號：2744330