【摘要】：目標(biāo)跟蹤是計(jì)算機(jī)視覺等領(lǐng)域的熱門課題,其在智能交通、軍事及無人駕駛等方面有著廣泛的應(yīng)用。國內(nèi)外從事目標(biāo)跟蹤方面研究的學(xué)者層出不窮,但由于跟蹤環(huán)境的復(fù)雜性,比如運(yùn)動模糊、快速運(yùn)動及遮擋等,使得跟蹤目標(biāo)的外觀發(fā)生變化,因此設(shè)計(jì)一種魯棒的目標(biāo)跟蹤算法仍存在著巨大挑戰(zhàn)。近年來,關(guān)于目標(biāo)跟蹤的研究逐漸從傳統(tǒng)的算法轉(zhuǎn)向基于學(xué)習(xí)的算法,其中,基于相關(guān)濾波的運(yùn)動目標(biāo)跟蹤算法將目標(biāo)跟蹤問題看成是目標(biāo)的分類問題,然后在分類后的結(jié)果中找出置信度最大的位置即為當(dāng)前目標(biāo)的位置,其計(jì)算速度快,而且對目標(biāo)模型進(jìn)行實(shí)時(shí)地學(xué)習(xí)更新,因此該方法兼顧了跟蹤速度的同時(shí)也具備較高的跟蹤精度,引起了研究人員的廣泛關(guān)注。本文討論了相關(guān)濾波目標(biāo)跟蹤算法的優(yōu)缺點(diǎn),并更深入研究了此類算法,主要創(chuàng)新如下:(1)目標(biāo)發(fā)生快速運(yùn)動時(shí),相鄰幀之間目標(biāo)位置變化較大,傳統(tǒng)的核相關(guān)濾波算法不能很好的解決此類問題。因此在核相關(guān)濾波的基礎(chǔ)上,提出了一種新的檢測模型,在保障算法時(shí)間復(fù)雜度的條件下,擴(kuò)大搜索區(qū)域,在更加可靠的區(qū)域內(nèi)進(jìn)行目標(biāo)搜索。為了進(jìn)一步提高算法的跟蹤性能,我們提出空間約束方法,即為每個小搜索區(qū)域分配一個權(quán)重。我們假定上一幀的跟蹤結(jié)果具有一定的可靠性,則下一幀目標(biāo)可能出現(xiàn)在以上一幀跟蹤結(jié)果為中心的搜索區(qū)域內(nèi)的概率會更大,因此賦予在中心位置的小搜索區(qū)域更高的權(quán)重。實(shí)驗(yàn)表明,本章提出的方法能有效地解決目標(biāo)的快速運(yùn)動問題。(2)為了解決傳統(tǒng)的核相關(guān)濾波跟蹤算法無法很好地處理目標(biāo)遮擋問題,在新檢測模型的基礎(chǔ)上,加入了面向遮擋的自適應(yīng)模型更新方法。新的遮擋檢測機(jī)制利用歷史幀信息作為目標(biāo)被遮擋情況的初步判斷,其次利用當(dāng)前幀的最大響應(yīng)值與響應(yīng)均值來最終判斷目標(biāo)當(dāng)前的遮擋情況,然后利用遮擋檢測所得出的結(jié)果對模型進(jìn)行自適應(yīng)更新。當(dāng)目標(biāo)未被遮擋時(shí),按初始權(quán)重更新模型,而當(dāng)目標(biāo)發(fā)生遮擋時(shí),減小模型的更新權(quán)重,從而減少非目標(biāo)遮擋信息更新到目標(biāo)模型,使得模型更新更加準(zhǔn)確。實(shí)驗(yàn)結(jié)果表明,本章提出的算法能很好地解決目標(biāo)被遮擋的問題,并且具備更高的綜合性能。本文圍繞當(dāng)前目標(biāo)跟蹤中面臨的各種困難與挑戰(zhàn),對核相關(guān)濾波跟蹤算法進(jìn)行了深入研究,根據(jù)其存在的缺陷問題,提出了對應(yīng)的改進(jìn)方法。實(shí)驗(yàn)中采用的數(shù)據(jù)集是跟蹤領(lǐng)域的標(biāo)準(zhǔn)視頻庫Visual Tracker Benchmark,并且本文的算法與九種目前領(lǐng)先的跟蹤算法進(jìn)行對比。實(shí)驗(yàn)結(jié)果表明,本文設(shè)計(jì)的算法在目標(biāo)快速運(yùn)動、遮擋情況下,具有較好的跟蹤性能。
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;TN713
【圖文】：

圖 1.1 目標(biāo)跟蹤基本流程因此，我們可將目標(biāo)跟蹤過程分為五個部分：（1）運(yùn)動模型；（2）特征提；（3）觀察模型；（4）模型更新；（5）集成方法。下面將對每一部分進(jìn)行詳介紹。運(yùn)動模型（Motion Model）:候選目標(biāo)生成的速度與質(zhì)量在很大程度上決定了蹤系統(tǒng)的性能。常用的兩種運(yùn)動模型是粒子濾波（Particle Filter）與滑動窗口Sliding Window）。粒子濾波是一種順序重要性采樣法，利用遞歸方式預(yù)測目隱含的狀態(tài)�；瑒哟翱谑歉F舉搜索法，它是列出目標(biāo)周圍的所有可能樣本作為選樣本。特征提�。‵eature Extractor）:具有判別性的目標(biāo)特征是跟蹤算法成功的關(guān)。常用特征可分為兩類，即手工特征（Hand-crafted feature）與深度特征（Deeature）。其中手工特征常用的有 Harr-like 特征、HOG 特征及 SIFT 特征等。而度特征是利用大量訓(xùn)練樣本自動學(xué)習(xí)出的特征，它擁有更強(qiáng)的判別性。觀察模型（Observation Model）:大部分的目標(biāo)跟蹤算法主要在此部分進(jìn)行

該算法使用最小化誤差模型與循環(huán)矩陣創(chuàng)建分類找到預(yù)測分布的最大響應(yīng)值來確定目標(biāo)的最終位換提升計(jì)算速度。本章主要介紹相關(guān)濾波跟蹤算器原理器基礎(chǔ)是信號處理中的方法，其在目標(biāo)檢測、目標(biāo)識別波器的響應(yīng)可利用兩個圖像塊的時(shí)域卷積轉(zhuǎn)換到，因此大幅提升了運(yùn)算速度。的思想來源于相關(guān)運(yùn)算，通過計(jì)算兩個信號的相個信號越相似，則得到的值就會越高。相關(guān)濾波一個濾波模板，使其作用在目標(biāo)上時(shí)，最后得到的

碩士學(xué)位論文負(fù)樣本，提取特征來訓(xùn)練分類器；2）讀入第 t 1幀的圖像，在當(dāng)前幀中以第 t幀目標(biāo)所在的位置為中心，在其周圍采集樣本作為候選樣本，提取特征經(jīng)過余弦窗函數(shù)處理后，再做 FFT 變換；3）用訓(xùn)練好的分類器對所有候選樣本進(jìn)行檢測，即用 2）中的結(jié)果與相關(guān)濾波器相乘，再做 IFFT，每個樣本對應(yīng)著分類器的一個響應(yīng)值，響應(yīng)值最大的位置作為最終預(yù)測的目標(biāo)位置，最后用新位置的樣本更新相關(guān)濾波器�；谙嚓P(guān)濾波的跟蹤算法利用 FFT，將時(shí)域內(nèi)的操作轉(zhuǎn)換到頻域，加快了分類器的學(xué)習(xí)速度，從而提高了算法的運(yùn)行速率，并使得算法能滿足跟蹤過程中的實(shí)時(shí)性要求，因此受到研究者的廣泛關(guān)注�；谙嚓P(guān)濾波目標(biāo)跟蹤算法的基本流程如圖 2.2：

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 余禮楊;范春曉;明悅;;改進(jìn)的核相關(guān)濾波器目標(biāo)跟蹤算法[J];計(jì)算機(jī)應(yīng)用;2015年12期

2 張雷;王延杰;劉艷瀅;孫宏海;何舒文;;基于相關(guān)濾波器的視覺目標(biāo)跟蹤方法[J];光電子·激光;2015年07期

3 高文;朱明;賀柏根;吳笑天;;目標(biāo)跟蹤技術(shù)綜述[J];中國光學(xué);2014年03期

4 閆慶森;李臨生;徐曉峰;王燦;;視頻跟蹤算法研究綜述[J];計(jì)算機(jī)科學(xué);2013年S1期

5 李科;徐克虎;張波;;多特征自適應(yīng)融合的軍事偽裝目標(biāo)跟蹤[J];計(jì)算機(jī)工程與應(yīng)用;2012年34期

本文編號：2770104