【摘要】：隨著計(jì)算機(jī)軟硬件、攝像機(jī)、云存儲(chǔ)與人工智能等技術(shù)的發(fā)展,關(guān)于目標(biāo)跟蹤技術(shù)的研究越來越廣泛。從上個(gè)世紀(jì)的誕生至今,已經(jīng)涌現(xiàn)出一大批目標(biāo)跟蹤算法,在一定程度上取得了良好的效果,但由于受到跟蹤背景復(fù)雜性因素的影響,獲得一個(gè)高效而魯棒的跟蹤算法仍是一項(xiàng)具有重要意義和挑戰(zhàn)性的任務(wù)。評(píng)價(jià)目標(biāo)跟蹤算法性能的好壞通常是由跟蹤的準(zhǔn)確率和跟蹤的速率決定的,大部分算法不能同時(shí)在兩者之間取得理想的效果,尤其是在滿足一定跟蹤精度時(shí)帶來的跟蹤速率的降低。而隨著目標(biāo)跟蹤技術(shù)在生活中應(yīng)用的要求越來越高,具有實(shí)時(shí)性的跟蹤算法開始被人們所關(guān)注。傳統(tǒng)相關(guān)濾波算法(Kernelized Correlation Filter,KCF)的特點(diǎn)就是跟蹤速度快,本文主要對(duì)該算法存在的問題進(jìn)行了分析和優(yōu)化。本文的主要工作有以下幾個(gè)方面:(1)針對(duì)復(fù)雜環(huán)境下采用單一圖像特征跟蹤精度和魯棒性差的問題,基于密集采樣框架提出了一種特征融合的相關(guān)濾波目標(biāo)跟蹤方法。在跟蹤過程中,同時(shí)利用方向梯度直方圖和顏色屬性對(duì)目標(biāo)外觀特征進(jìn)行描述,由目標(biāo)外觀模型和嶺回歸分類器獲得的濾波系數(shù),分別對(duì)循環(huán)移位獲得的候選樣本進(jìn)行檢測(cè),對(duì)檢測(cè)的分類器響應(yīng)值進(jìn)行線性加權(quán)融合,由最大的響應(yīng)值確定當(dāng)前幀目標(biāo)的位置。(2)針對(duì)相關(guān)濾波算法難以實(shí)時(shí)準(zhǔn)確適應(yīng)目標(biāo)尺度變化這一問題,提出了一種自適應(yīng)變尺度的目標(biāo)跟蹤方法。在傳統(tǒng)相關(guān)濾波循環(huán)結(jié)構(gòu)的基礎(chǔ)上,增加了對(duì)目標(biāo)尺度大小估計(jì)的環(huán)節(jié)。首先利用相關(guān)濾波跟蹤算法完成對(duì)目標(biāo)位置的估計(jì),然后采用一種尺度估計(jì)方法,訓(xùn)練一個(gè)一維的尺度濾波器,在已確定的目標(biāo)位置處根據(jù)前一幀目標(biāo)的大小獲得多個(gè)尺度樣本進(jìn)行檢測(cè),由最大的響應(yīng)值確定當(dāng)前幀目標(biāo)的尺度,實(shí)現(xiàn)自適應(yīng)變尺度目標(biāo)跟蹤。(3)針對(duì)實(shí)時(shí)的模型更新沒有考慮到跟蹤結(jié)果可信度的問題,在傳統(tǒng)相關(guān)濾波跟蹤算法中引入了一種遮擋檢測(cè)更新方法。當(dāng)目標(biāo)受到嚴(yán)重遮擋時(shí),如果跟蹤算法仍將當(dāng)前幀目標(biāo)的外觀信息全部引入更新模型,干擾信息帶來的跟蹤誤差會(huì)不斷積累。通過對(duì)遮擋前后候選樣本檢測(cè)值的二維分布情況進(jìn)行分析,利用檢測(cè)值在一定面積閾值內(nèi)的分布判斷目標(biāo)受遮擋情況。根據(jù)目標(biāo)受遮擋情況的不同、特征融合算法與尺度自適應(yīng)算法獲得的跟蹤框內(nèi)目標(biāo)信息量和干擾信息量的不同,采用了不同的遮擋檢測(cè)更新方法。
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41;TN713
【圖文】：

到的兩種特征。(1) 顏色特征顏色特征經(jīng)常被用到跟蹤算法中描述目標(biāo)外觀，通過計(jì)算目標(biāo)的局部屬性概率得到類特征主要包括 HSV 顏色空間[37]、顏色 SIFT 特征[38]、顏色屬性 (CN)[39]等特征。顏色屬性或者稱為顏色名稱，不同于顏色空間特征，因其可以更加豐富地描述物被應(yīng)用于目標(biāo)跟蹤中[31]，它是由 Berlin[40]在一項(xiàng)語言學(xué)研究中得出的結(jié)論，即運(yùn)用學(xué)的顏色標(biāo)簽特性將自然界中的顏色劃分成 11 種，分別是紅、橙、黃、綠、藍(lán)、紫、白、黑、棕和粉色，這種描述比常用的顏色空間 (如 HSV) 具有更強(qiáng)的判別能力過對(duì)大量的人工標(biāo)注的自然圖片進(jìn)行學(xué)習(xí)，找到顏色空間特征與 11 種顏色名稱的映射關(guān)系，將兩者結(jié)合起來。文獻(xiàn)[39]給出了圖像到語言學(xué)常見的 11 種顏色的映射，這種映射關(guān)系的數(shù)學(xué)形式可以描述為：對(duì)于用 RGB 空間表示的顏色 x ( R, G, B )，映射操作可得到一個(gè)概率為 11 維的特征向量 f ( x )，其含義表示觀測(cè)的顏色 x 在本屬于 11 種顏色屬性的概率。這種映射關(guān)系概率圖如圖 2-2 所示。圖中包含的小圖上到下從左到右，依次是原圖、黑、藍(lán)、棕、灰、綠、橙、粉、紫、紅、白和黃的特征圖，概率圖中灰度值越大即越白說明其對(duì)應(yīng)概率值越大。

其中igt分別表示兩個(gè)區(qū)域的交集和并集。重疊精度又稱為跟蹤成功率 (Success Rate，SR) ，本文選取與文獻(xiàn)[32][65]相同的閾值( T 0.5) 。距離精度和成功率均稱為一次性評(píng)估(One-pass Evaluation，OPE)[66]。3.1.5 實(shí)驗(yàn)結(jié)果分析為了驗(yàn)證特征融合方法的有效性，對(duì) Human7 視頻序列進(jìn)行測(cè)試實(shí)驗(yàn)，該視頻序列發(fā)生了光照變化、尺度變化、部分遮擋、快速移動(dòng)和非剛性形變，此外還有相機(jī)抖動(dòng)引起的嚴(yán)重的運(yùn)動(dòng)模糊情況。圖 3-3 是原算法與改進(jìn)算法對(duì) Human7 視頻序列的實(shí)驗(yàn)跟蹤結(jié)果對(duì)比圖 (注：為了區(qū)分，不同算法的跟蹤框分別采用不同顏色的實(shí)線：特征融合算法的跟蹤框是紅色 ，原算法的跟蹤框是綠色 ) 。從圖 3-3 的第 45 幀可以看出，在跟蹤的前幾十幀，原算法與改進(jìn)算法都可以較好的跟蹤目標(biāo)；當(dāng)出現(xiàn)了光照變化、相機(jī)抖動(dòng)和快速移動(dòng)時(shí) (第 122 幀) ，原算法的跟蹤框出現(xiàn)漂移；隨著跟蹤目標(biāo)外觀模糊程度的增強(qiáng)，模型誤差不斷積累，在后續(xù)幀中原算法已經(jīng)跟丟目標(biāo)，但是在整個(gè)跟蹤過程中，改進(jìn)的算法仍能克服這些干擾因素的影響，完成目標(biāo)的位置估計(jì)。

(a) (b) (c) (d)圖 3-5 遮擋前后響應(yīng)值二維分布圖基于檢測(cè)值的分布情況和傳統(tǒng)相關(guān)濾波器實(shí)時(shí)更新分類器濾波模板系數(shù)與目標(biāo)外型帶來的誤差累積問題，為了獲得更加可靠的分類器改善跟蹤算法的有效性，采用種遮擋檢測(cè)更新機(jī)制，即0.020 未遮擋遮擋(3-在獲取當(dāng)前幀目標(biāo)位置后，啟動(dòng)遮擋檢測(cè)更新算法，判斷當(dāng)前幀目標(biāo)是否受到遮擋果目標(biāo)未受到遮擋，按照文獻(xiàn)[29]的更新方式 (即式 (3-19) 和式 (3-20) 的學(xué)習(xí)速 0.02) 更新各個(gè)模型參數(shù)，如果目標(biāo)發(fā)生遮擋，濾波模板系數(shù)與外觀模型的更新速率為 0。擋檢測(cè)更新算法的偽代碼如下：1T 為遮擋閾值，2T 為面積閾值，m 為當(dāng)前幀的候選樣本數(shù)， w 、 h 為搜索區(qū)域的寬*/put：當(dāng)前幀目標(biāo)位置tp ，目標(biāo)對(duì)應(yīng)候選樣本的響應(yīng)值 ( )maxy z

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊凱杰;田暢;關(guān)文君;;快速目標(biāo)跟蹤算法及其嵌入式實(shí)現(xiàn)[J];軍事通信技術(shù);2016年04期

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

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

4 李賀;;基于深度學(xué)習(xí)的目標(biāo)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(guān)濾波的視頻目標(biāo)跟蹤算法綜述[J];指揮信息系統(tǒng)與技術(shù);2017年03期

6 王立新,戴冠中;一種分散化多站聯(lián)合目標(biāo)跟蹤算法[J];航空學(xué)報(bào);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(dá)的檢測(cè)和跟蹤性能的新方法(第二部分)——檢測(cè)、航跡的產(chǎn)生與組合[J];雷達(dá)與對(duì)抗;1988年05期

8 竇慧;趙書斌;王強(qiáng);;基于特征點(diǎn)的典型目標(biāo)跟蹤算法性能分析[J];指揮控制與仿真;2017年02期

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

10 曹曉麗;李明;邢玉娟;譚萍;;幾種自動(dòng)目標(biāo)跟蹤算法的比較研究[J];硅谷;2013年02期

相關(guān)會(huì)議論文 前10條

1 徐炳吉;;一種多站聯(lián)合目標(biāo)跟蹤算法[A];數(shù)學(xué)及其應(yīng)用文集——中南模糊數(shù)學(xué)和系統(tǒng)分會(huì)第三屆年會(huì)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(biāo)跟蹤算法[A];第十二屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

3 杜方芳;劉士榮;邱雪娜;;一種改進(jìn)的粒子濾波目標(biāo)跟蹤算法[A];PCC2009—第20屆中國過程控制會(huì)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(biāo)跟蹤算法[A];2003年中國智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2003年

5 王亞楠;陳杰;甘明剛;;基于差分進(jìn)化的改進(jìn)粒子濾波目標(biāo)跟蹤算法[A];中國自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)C卷[C];2011年

6 許偉村;趙清杰;;一種基于粒子濾波的多目標(biāo)跟蹤算法[A];2011年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[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(biāo)跟蹤算法[A];2003年中國智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2003年

8 段萌遠(yuǎn);于俊清;王錦;;基于活動(dòng)狀態(tài)分類的多目標(biāo)跟蹤算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議(HHME2006)——第15屆中國多媒體學(xué)術(shù)會(huì)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(biāo)跟蹤算法[A];2008年中國高校通信類院系學(xué)術(shù)研討會(huì)論文集（上冊(cè)）[C];2009年

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

相關(guān)博士學(xué)位論文 前10條

1 胡秀華;復(fù)雜場景中目標(biāo)跟蹤算法研究[D];西北工業(yè)大學(xué);2017年

2 金加根;基于元數(shù)據(jù)的雷達(dá)目標(biāo)檢測(cè)和跟蹤研究[D];武漢理工大學(xué);2015年

3 張雷;復(fù)雜場景下實(shí)時(shí)目標(biāo)跟蹤算法及實(shí)現(xiàn)技術(shù)研究[D];中國科學(xué)院研究生院(長春光學(xué)精密機(jī)械與物理研究所);2016年

4 胡碩;基于小波理論的目標(biāo)檢測(cè)與快速目標(biāo)跟蹤算法研究[D];中國科學(xué)院研究生院（長春光學(xué)精密機(jī)械與物理研究所）;2006年

5 李安平;復(fù)雜環(huán)境下的視頻目標(biāo)跟蹤算法研究[D];上海交通大學(xué);2007年

6 王書朋;視頻目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2009年

7 劉晴;基于區(qū)域特征的目標(biāo)跟蹤算法研究[D];北京理工大學(xué);2014年

8 盧建國;基于粒子濾波的視頻目標(biāo)跟蹤算法研究[D];北京郵電大學(xué);2011年

9 尹宏鵬;基于計(jì)算機(jī)視覺的運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D];重慶大學(xué);2009年

10 馮巍;分布式多視角目標(biāo)跟蹤算法研究[D];復(fù)旦大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 卞樂;視頻目標(biāo)跟蹤算法的研究及應(yīng)用[D];南京師范大學(xué);2018年

2 鄭鵬程;目標(biāo)跟蹤算法研究及實(shí)現(xiàn)[D];寧夏大學(xué);2018年

3 丁夢(mèng)蝶;低慢小目標(biāo)跟蹤算法的設(shè)計(jì)與研究[D];哈爾濱工程大學(xué);2018年

4 車浩;基于機(jī)載視覺的地面目標(biāo)跟蹤相關(guān)技術(shù)研究[D];哈爾濱工程大學(xué);2018年

5 夏業(yè)儒;基于理解診斷跟蹤系統(tǒng)的目標(biāo)跟蹤算法研究[D];哈爾濱工程大學(xué);2018年

6 陳晗;基于時(shí)空視覺顯著性特征的Mean Shift目標(biāo)跟蹤算法研究[D];哈爾濱工程大學(xué);2018年

7 楊振南;基于核相關(guān)濾波的目標(biāo)跟蹤算法研究[D];哈爾濱理工大學(xué);2018年

8 謝曉佳;基于相關(guān)濾波的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2018年

9 吳桂樂;基于超像素和相關(guān)濾波的實(shí)時(shí)目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2018年

10 馮h

本文編號(hào)：2781392