近年來相關(guān)性濾波器算法已經(jīng)被成功應(yīng)用于機器視覺領(lǐng)域中的物體追蹤問題,取得了非常優(yōu)秀的追蹤效果。傳統(tǒng)的物體追蹤算法運行速度快但追蹤精度差,只能夠應(yīng)用于一些簡單的追蹤場景。新提出的諸多物體追蹤算法底層數(shù)學模型十分復雜甚至還需要集成深度學習進行視覺特征提取,巨大的運算量限制了其在實時追蹤領(lǐng)域的應(yīng)用。本文從相關(guān)性濾波器算法出發(fā),以實時高精度物體追蹤為目標,提出了一種高效的物體追蹤算法來在CPU端實時追蹤多個任意物體。追蹤算法通過引入空域約束和特征權(quán)重來提高追蹤結(jié)果的精確性及魯棒性,通過合理的運動學估計模型來解決物體遮擋及物體嚴重形變的情形,通過對最終濾波器響應(yīng)的分析來實時評估追蹤結(jié)果的質(zhì)量,從而采用多學習率融合方法動態(tài)更新底層模型。此外使用預計算傅里葉變換、動態(tài)內(nèi)存管理、多核并行計算以及特征降維等方法來加快物體追蹤算法的運行速度,并且提出了一種異步延遲更新策略來進一步減少運算量。在VOT數(shù)據(jù)集上進行實驗測試取得了非常優(yōu)秀的結(jié)果。相比于現(xiàn)有的CPU實時物體追蹤方案,本文算法追蹤效果提升6%,運行速度加快20%。本文算法能夠?qū)⒚總�圖像幀的處理時間降至5毫秒并且保持較好的追蹤質(zhì)量,具有廣闊的應(yīng)用空間。
【學位單位】：浙江大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;TN713
【部分圖文】：

?ｄ＝＼??其中＊表示圓周卷積操作，Ａ為正則化項系數(shù)，理想響應(yīng)ｇ—般為ＴＶ維空間的高斯??分布，期望是０，標準差是ＣＴ，如圖２．１所示。圓周卷積操作在本質(zhì)上將目標物體??的所有圓周位移結(jié)果當作負樣本，如圖２．２所示，高斯分布期望為零，標準差為??１．５。??０．８?＇?１??：?Ｉ??４０?５０??３０??２０??Ｙ?Ｘ??圖２．１二維高斯理想響應(yīng)??這是一個標準的最小二乘問題，使用帕塞瓦爾（Ｐａｒｓｅｖａｌ）定理，將目標函數(shù)從??空域轉(zhuǎn)換到傅里葉頻域：??Ｎｄ?＾?＾?２?Ｎｄ?＾?２??￡＝?Ｔｊ?ｄｉａＳ（Ｌ?）Ｋｉ－ｇ?＋＾ＹｊＫ?（２．２）??ｄ＝＼?ｄ＝＼??其中，ａ?＝?ｖｅｃ（ｊＴ（ａ））表示對ａ先進行傅里葉變換再展開成一維列向量，￡／／〇ｇ（ａ）表??示將《轉(zhuǎn)變?yōu)閷蔷仃�，Ｊ表示共軛操作。最小化函�?shù)（２．２）即可以對每個特征通道??求解相對應(yīng)的相關(guān)性濾波器�？梢酝ㄟ^讓其一階導數(shù)為零來求得該最小二乘問題??的數(shù)學封閉解：??１４??

?ｄ＝＼??其中＊表示圓周卷積操作，Ａ為正則化項系數(shù)，理想響應(yīng)ｇ—般為ＴＶ維空間的高斯??分布，期望是０，標準差是ＣＴ，如圖２．１所示。圓周卷積操作在本質(zhì)上將目標物體??的所有圓周位移結(jié)果當作負樣本，如圖２．２所示，高斯分布期望為零，標準差為??１．５。??０．８?＇?１??：?Ｉ??４０?５０??３０??２０??Ｙ?Ｘ??圖２．１二維高斯理想響應(yīng)??這是一個標準的最小二乘問題，使用帕塞瓦爾（Ｐａｒｓｅｖａｌ）定理，將目標函數(shù)從??空域轉(zhuǎn)換到傅里葉頻域：??Ｎｄ?＾?＾?２?Ｎｄ?＾?２??￡＝?Ｔｊ?ｄｉａＳ（Ｌ?）Ｋｉ－ｇ?＋＾ＹｊＫ?（２．２）??ｄ＝＼?ｄ＝＼??其中，ａ?＝?ｖｅｃ（ｊＴ（ａ））表示對ａ先進行傅里葉變換再展開成一維列向量，￡／／〇ｇ（ａ）表??示將《轉(zhuǎn)變?yōu)閷蔷仃�，Ｊ表示共軛操作。最小化函�?shù)（２．２）即可以對每個特征通道??求解相對應(yīng)的相關(guān)性濾波器�？梢酝ㄟ^讓其一階導數(shù)為零來求得該最小二乘問題??的數(shù)學封閉解：??１４??

?（ｄ）?（ｅ）??圖２．２目標物體圖像及其圓周位移??公式（２．３）是基于單個時間點樣本所求得的相關(guān)性濾波器封閉解，即根據(jù)一個??正樣本與多個負樣本進行學習訓練。為了求取更為魯棒的相關(guān)性濾波器，可以考??慮之前多個時間點的樣本，更新之后的空域目標函數(shù)如下：??Ｎｄ?２?Ｎｄ??ｓ＝ｌｌａｋ?＋＾ＺＷＩ?（２－４）??ｙｔ＝ｌ?ｄ＝＼?ｄ＝＼??其中為所需要考慮的樣本時間點個數(shù)，％為不同時間點樣本的權(quán)重，／／為第??ｉｔ個時間樣本的第＾維特征。Ｋｉａｎｉ在其文章中推導了這一問題的數(shù)學封閉解［１８］，??最終需要求解ｉＶ個Ａ＾ｘＡ＾大小的線性系統(tǒng)，＃為＼中的元素個數(shù)，對于二維圖??像而言，ＪＶ即為＼中的像素點數(shù)量。然而這種思路會帶來很大的計算開銷，因此??常被用于離線的物體追蹤算法
【相似文獻】

相關(guān)期刊論文 前10條

1 李文濤;馬鉞;;基于智能相機的目標物體的定位[J];控制工程;2011年S1期

2 楊淑瑩,胡軍,曹作良;基于圖像紋理分析的目標物體識別方法[J];天津理工學院學報;2001年04期

3 黃偉;楊文姬;曾璟;曾舒如;陳光;;基于譜聚類和增量學習的運動目標物體檢測算法研究[J];西北工業(yè)大學學報;2017年01期

4 ;牽引激光束能直接移動目標物體[J];黑龍江科技信息;2014年33期

5 ;光的奇跡[J];少兒科學周刊(少年版);2016年05期

6 朱方文,李德強,袁政鵬,吳家麒;一種用于目標物體跟蹤的人工標志[J];計算機工程與應(yīng)用;2004年31期

7 燕強;趙洪彬;曾寶鋒;;利用地質(zhì)雷達求取地下目標物體積研究綜述[J];中國礦業(yè);2017年S1期

8 謝新華;梁棟;張香倩;張東彥;周建軍;;基于圖像處理的目標物體最大內(nèi)接矩形面積的檢測[J];科學技術(shù)與工程;2015年17期

9 李亮;費凌;;機械手對目標物體抓取的研究[J];工業(yè)控制計算機;2009年01期

10 郝小蕾;宋愛國;紀鵬;;一種基于多視角圖像的目標物體定位方法[J];測控技術(shù);2015年05期

相關(guān)博士學位論文 前6條

1 呂軼;磁感應(yīng)成像的若干關(guān)鍵技術(shù)研究[D];東北大學;2012年

2 馮斌;計算機視覺信息處理方法與水果分級檢測技術(shù)研究[D];中國農(nóng)業(yè)大學;2002年

3 王志恒;基于FPA的新型氣動機器人多指靈巧手研究[D];浙江工業(yè)大學;2011年

4 荊偉;自閉癥譜系障礙兒童詞語習得中“快速映射”能力的實驗研究[D];華東師范大學;2013年

5 王文叢;中波紅外傅里葉變換成像光譜儀理論分析與光學系統(tǒng)設(shè)計研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2015年

6 白雪飛;基于視覺顯著性的圖像分割方法研究[D];山西大學;2014年

相關(guān)碩士學位論文 前10條

1 杜懈宇;關(guān)聯(lián)成像照明光場的優(yōu)化研究[D];北京郵電大學;2019年

2 張家玄;基于相關(guān)性濾波器的實時物體追蹤[D];浙江大學;2019年

3 邱垚;基于3D目標識別的工業(yè)機器人無序分揀技術(shù)研究[D];西安理工大學;2019年

4 高爽;復雜環(huán)境光源變化下的二維圖像分析與處理[D];天津大學;2018年

5 于雄飛;面向智能監(jiān)控的目標檢測追蹤算法設(shè)計實現(xiàn)[D];西南交通大學;2018年

6 曾憲衡;基于立體視覺的空間目標物體測量研究[D];北京郵電大學;2018年

7 曾璟;基于深度學習框架的運動目標物體檢測方法研究[D];南昌大學;2018年

8 張超;基于先驗知識引導的壓縮感知成像方法研究[D];南京大學;2017年

9 付金鑫;紅外目標發(fā)射率模型辨識與表面溫度測量[D];沈陽航空航天大學;2018年

10 曾舒如;基于多模態(tài)增量學習模型的目標物體檢測方法研究[D];南昌大學;2016年

本文編號：2871811