【摘要】：由于目標(biāo)跟蹤在現(xiàn)實(shí)生活中的有著廣泛的覆蓋,比如,其在視頻監(jiān)控、無人駕駛、增強(qiáng)現(xiàn)實(shí)以及人機(jī)交互等實(shí)際應(yīng)用中擔(dān)任著極為關(guān)鍵的角色,是多個(gè)應(yīng)用能夠順利進(jìn)行的保障。視覺目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域中一項(xiàng)十分重要的課題。盡管一大批致力于研究目標(biāo)跟蹤的學(xué)者已經(jīng)提出了大量的跟蹤算法,但是,由于影響目標(biāo)跟蹤的因素有很多,比如,遮擋、快速運(yùn)動(dòng)、背景雜亂、光照變化、尺度變化等,因此設(shè)計(jì)一種在復(fù)雜多變場(chǎng)景下依舊穩(wěn)健的性能良好的跟蹤器仍然是一項(xiàng)巨大的挑戰(zhàn)。近年來,基于相關(guān)濾波器的目標(biāo)跟蹤算法吸引了大量學(xué)者的注意,而且取得了優(yōu)秀的成果,因此本文提出了一種融合時(shí)空信息的連續(xù)相關(guān)濾波用于目標(biāo)跟蹤,旨在提高復(fù)雜情景下視覺目標(biāo)跟蹤算法的魯棒性和準(zhǔn)確性。本文的主要工作和創(chuàng)新點(diǎn)如下:(1)研究基于相關(guān)濾波器的目標(biāo)跟蹤算法,并提出新的損失函數(shù)�；谙嚓P(guān)濾波器的目標(biāo)跟蹤模型已經(jīng)取得大量的關(guān)注并且在實(shí)時(shí)跟蹤中取得了不錯(cuò)的成績(jī)。但是,當(dāng)前相關(guān)濾波跟蹤器范式中的損失函數(shù)不能對(duì)遮擋和光照變化引起的外觀變化做出可靠的響應(yīng),因此,利用濾波器響應(yīng)的各向異性,本文提出了一種提高整體跟蹤性能的損失函數(shù)。(2)將相關(guān)濾波跟蹤框架與深度學(xué)習(xí)結(jié)合,利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行特征提取,由于深卷積層有利于圖像分類,淺卷積層對(duì)于精確的目標(biāo)定位至關(guān)重要。所以本文在空間上利用多個(gè)不同網(wǎng)絡(luò)層提取出的特征信息,將不同網(wǎng)絡(luò)層的相關(guān)濾波器響應(yīng)圖進(jìn)行融合,對(duì)每一個(gè)響應(yīng)結(jié)果根據(jù)其損失誤差分配不同的權(quán)重,充分利用目標(biāo)的空間信息。(3)提出自適應(yīng)更新模版的方法。傳統(tǒng)的相關(guān)濾波跟蹤器的模版更新策略是,不論所要學(xué)習(xí)的模版的好壞與否,均采用一個(gè)固定的學(xué)習(xí)率。而本文提出一種自適應(yīng)模版更新策略,在時(shí)間上根據(jù)目標(biāo)外觀的變化自適應(yīng)地改變學(xué)習(xí)率,提高了跟蹤器的準(zhǔn)確性。
【學(xué)位授予單位】：北京郵電大學(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】：

標(biāo)跟蹤領(lǐng)域常用的性能評(píng)價(jià)指標(biāo)。逡逑２．１目標(biāo)跟Ｓｓ框架逡逑Ｗａｎｇ等人［３１］將目標(biāo)跟蹤體系框架拆為幾個(gè)獨(dú)立的模塊進(jìn)行分析，如圖２－１逡逑所示。目標(biāo)跟蹤初始，我們首先根據(jù)視頻序列中第一楨的跟蹤框（ｇｒｏｕｎｄ邋ｔｒｕｔｈ），逡逑初始化觀測(cè)模型，然后開始對(duì)之后的圖像一幀一幀地進(jìn)行處理，新的一幀到來時(shí)，逡逑先用運(yùn)動(dòng)模型對(duì)該圖像進(jìn)行處理，產(chǎn)生一系列的候選區(qū)域；提取出每一個(gè)候選區(qū)逡逑域的圖像特征；然后，假設(shè)每個(gè)候選區(qū)域是所要跟蹤定位的目標(biāo)區(qū)域，利用觀測(cè)逡逑模型來計(jì)算分?jǐn)?shù)，分?jǐn)?shù)最大的區(qū)域則被定位為目標(biāo)的位置，同時(shí)，根據(jù)觀測(cè)模型逡逑的輸出判斷是否要對(duì)模版進(jìn)行更新，以及進(jìn)行更新所采用的更新策略；另外，如逡逑果跟蹤算法是多個(gè)分類器融合而得到的，還要將每個(gè)分類器的輸出進(jìn)行整體后處逡逑理來得到最終目標(biāo)跟蹤的結(jié)果。逡逑鐐?cè)氲澾娺\(yùn)動(dòng)模型邐特征提取邐觀涵楔型逡逑－－一逡逑最}B預(yù)pc結(jié)果邐總體后處２逡逑圖２－１目標(biāo)跟蹤框架逡逑８逡逑

的基于相關(guān)濾波器的跟蹤算法［６］［６６］［６７］［６８］的提出，相關(guān)濾波跟蹤已被證明在效率逡逑和魯棒性方面有著巨大的優(yōu)勢(shì)，大大地加快了視覺目標(biāo)跟蹤的發(fā)展。逡逑根據(jù)現(xiàn)有的基于相關(guān)濾波器的跟蹤方法，基本的跟蹤框架流程展示于圖２－３。逡逑在初始化后的每個(gè)幀中，在上一幀估計(jì)到的目標(biāo)位置周圍進(jìn)行裁剪作為當(dāng)前的輸逡逑入。隨后，提取圖像的視覺特征以更好地描述輸入，并且使用余弦窗函數(shù)對(duì)窗口逡逑邊界上的不連續(xù)性進(jìn)行平滑。然后，在頻域利用學(xué)習(xí)好的相關(guān)濾波器根據(jù)卷積理逡逑論進(jìn)行相關(guān)運(yùn)算，在候選區(qū)域?qū)δ繕?biāo)進(jìn)行檢測(cè)。圖中的符號(hào)0表示對(duì)應(yīng)元素的計(jì)逡逑算、ＦＦＴ表示快速傅里葉變換。通過相關(guān)濾波器運(yùn)算之后，再進(jìn)行逆ＦＦＴ（ＩＦＦＴ）逡逑運(yùn)算獲得響應(yīng)圖，其峰值可預(yù)測(cè)為目標(biāo)的新位置。最后，提取新估計(jì)位置的特征逡逑信息，與分類器的理想輸出一起用于目標(biāo)外觀模型的建立，然后用更新完的相關(guān)逡逑濾波器在新的視頻幀中尋找目標(biāo)的下一個(gè)位置。逡逑ＩｗＭＪ逡逑—邐ＪＬ１９９＿／逡逑Ｉ邋邐邋Ｉ邐＿逡逑ｆ邋當(dāng)前輸

再利用循環(huán)矩陣在頻域的特性，使用快速傅里葉變換（ＦＦＴ），在不逡逑需要遍歷所有子窗口的前提下快速整合各個(gè)子窗口中的所有信息。逡逑如圖２－４展示了在垂直方向上將基準(zhǔn)樣本循環(huán)移位的結(jié)果。從左到右分別是逡逑循環(huán)下移３０個(gè)像素，循環(huán)下移１５個(gè)像素，基準(zhǔn)樣本，循環(huán)上移１５個(gè)像素以及逡逑循環(huán)上移３０個(gè)像素。對(duì)于一般的二維圖像，我們有水平方向的移位和垂直方向逡逑的移位。圖２－４只展示了垂直方向上的移位，水平方向上也同理可得。逡逑—”邋ｆ．．．．．．＾．．．…—：……逡逑ｆ邐．邐Ａ逡逑：么邋ａ逡逑一－＇邋邐逡逑＋３０邐＋１５邐基準(zhǔn)樣本邐－１５邐－３０逡逑圖２－４基準(zhǔn)樣本及其循環(huán)移位示意圖逡逑我們假設(shè)一個(gè)ｎ維向量ｘ＝邋［１0，：＼：１，；＾２，．．．，；１：７１＿１］表示目標(biāo)圖像的特征，且稱其逡逑為基準(zhǔn)樣本。那么，可以通過基準(zhǔn)樣本的循環(huán)移位來獲得訓(xùn)練樣本：逡逑■＾０邐＾１邋＾２邐＊＾ｎ—１逡逑ｘｎ－ｌ邋－＾０邐…＾ｎ－２逡逑Ｘ邋＝邋Ｃ（Ｘ）＝尤７１－２邋尤邋ｎ－１邐％０邐…尤�。冲义希兀策姡蓿尺姟逵龋板濉鲥义显撗h(huán)矩陣的每一行（或每一列）都是其上一行（或左邊一列）循環(huán)移位一逡逑個(gè)元素得到的。將基準(zhǔn)樣本作為訓(xùn)練分類器的正樣本，其他循環(huán)移位得到的樣本逡逑均當(dāng)作副樣本，那么訓(xùn)練樣本矩陣ｘ則表示了輸入圖像的所有表征可能。根據(jù)循逡逑環(huán)卷積定理

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 侯明正;馮子亮;劉艷麗;王棣;;光照變動(dòng)條件下基于圖切割算法的運(yùn)動(dòng)目標(biāo)跟蹤[J];光電子.激光;2012年05期

本文編號(hào)：2788365