復雜場景下相關濾波跟蹤算法研究
發(fā)布時間：2021-01-27 13:46
目標跟蹤技術作為計算機視覺領域中的重要研究方向之一,在智能監(jiān)控、人機交互、醫(yī)學診斷等眾多領域中都具有重要作用。然而在實際跟蹤場景中經常存在著光照變化、尺度變化、出視野及遮擋等復雜情況,這為實現快速而魯棒的跟蹤帶來了巨大的挑戰(zhàn)。近幾年,隨著相關濾波和深度學習類跟蹤算法研究的不斷突破,算法的跟蹤性能有很大提升,特別是相關濾波,解決了算法的實時性問題。本文針對跟蹤中復雜場景帶來的挑戰(zhàn),在核相關濾波算法的基礎上提出了兩種改進方法,分別改善了核相關濾波跟蹤算法對遮擋、出視野以及尺度變化等復雜場景的適應性。本文主要研究內容包括以下幾點:第一,針對復雜場景下目標被遮擋時容易跟蹤失敗的問題,提出了一種基于重檢測的核相關濾波跟蹤算法。該算法訓練了一個置信度濾波器,使用其相關響應和相關峰平均能量進行置信度估計,并利用置信度濾波器最大響應進行位置修正,緩解了位置濾波器的跟蹤漂移問題;針對在復雜場景下的目標跟蹤過程中目標被遮擋或者出視野無法繼續(xù)跟蹤的問題,通過構建以支持向量機為核心的重檢測模塊,對低置信度的跟蹤結果進行目標的重檢測,有效地提高了算法在遮擋或出視野場景下的跟蹤性能。第二,針對跟蹤過程中常面臨的尺...
【文章來源】：中國科學院大學(中國科學院光電技術研究所)四川省
【文章頁數】：75 頁
【學位級別】：碩士
【部分圖文】：
目標跟蹤基本框架
復雜場景下相關濾波跟蹤算法研究12圖2.1相關濾波示意圖Figure2.1Theillustrationofcorrelationfilter用公式表示為：g=hf…(2.2)其中，g表示相關響應輸出，h表示濾波器模型，f表示輸入圖像。在時域中進行卷積操作計算量較大，為了提高計算速度，將公式（2.2）進行快速傅里葉變換（FFT），則時域中的卷積運算就變成了頻域中的點乘操作，極大地降低了計算量，變換后公式如下：(g)(hf)GHF==…(2.3)其中，()代表傅里葉變換，H是所求的相關濾波器模型。2.3核相關濾波跟蹤理論KCF通過求解一個嶺回歸問題來確定濾波器的參數[70]，使用循環(huán)移位進行密集采樣，并且引入了核空間，核技巧的使用使得相關濾波算法對非線性問題具有一定的求解能力，也使得該算法的魯棒性有所提升。2.3.1嶺回歸嶺回歸和線性回歸的基本思想相同，都是通過訓練樣本學習一個線性模型，使其輸出值盡可能的接近樣本標簽。兩者的區(qū)別在于使用最小二乘法計算目標函數時，嶺回歸引入了L2正則化的懲罰項。在核相關跟蹤算法中，將訓練分類器看作一個嶺回歸問題，假設訓練的樣本集為11(,),...,(,),...,(,)iinnxyxyxy，通過訓練分類器找到使樣本ix和回歸目標iy的平方誤差最小的一個回歸模型
復雜場景下相關濾波跟蹤算法研究14較豐富，訓練的分類器性能較好，但是計算成本太大。為了解決這一問題，Henriques提出了通過循環(huán)移位來進行樣本采集，并在傅里葉空間域中進行計算。對于一維向量x（見式（2.8）），可以通過置換矩陣M（見式（2.9））進行循環(huán)采樣。將向量左乘置換矩陣即是將原來的樣本向右移動一個單元（見式（2.10））。通過不斷地左乘置換矩陣得到n-1個循環(huán)移位向量，將原向量x和循環(huán)移位得到的n-1個向量按照次序排列到矩陣中，可得到由基礎向量x生成的循環(huán)矩陣C(x)（見式（2.11）），其循環(huán)移位過程如圖2.3所示。12[]Tnx=x,x,...,x…(2.8)0001100001000010=M…(2.9)12-1,...,nnMx=x,x,xx…(2.10)12312-1-11-22341()nnnnnnC==xxxxxxxxXXxxxxxxxx…(2.11)圖2.3循環(huán)矩陣示意圖，引自文獻[53]Figure2.3Theillustrationofcirculantmatrix二維圖像的循環(huán)移位采樣相當于將圖像塊沿水平坐標軸和垂直坐標軸分別循環(huán)移動，如圖2.4所示。
【參考文獻】：
期刊論文
[1]基于相關濾波的長時目標跟蹤算法[J]. 鄧雪菲,彭先蓉,張建林,徐智勇. 半導體光電. 2019(05)
[2]具有尺度和旋轉適應性的長時間目標跟蹤[J]. 熊丹,盧惠民,肖軍浩,鄭志強. 自動化學報. 2019(02)
[3]目標跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟. 模式識別與人工智能. 2018(01)
[4]自適應尺度的快速相關濾波跟蹤算法[J]. 馬曉楠,劉曉利,李銀伢. 計算機輔助設計與圖形學學報. 2017(03)
[5]武器精確制導目標跟蹤測量仿真研究[J]. 艾波,劉凱. 計算機仿真. 2016(12)
[6]基于視覺的目標檢測與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟. 自動化學報. 2016(10)
[7]監(jiān)控視頻智能檢索關鍵技術綜述[J]. 張亞恒,韓琳,姜梅,蔡能斌. 影像技術. 2013(06)
[8]灰度共生矩陣紋理特征的運動目標跟蹤方法[J]. 吳剛,唐振民,程勇,朱峰,魏利華. 南京理工大學學報(自然科學版). 2010(04)
[9]人運動的視覺分析綜述[J]. 王亮,胡衛(wèi)明,譚鐵牛. 計算機學報. 2002(03)
博士論文
[1]復雜場景下單目標的視覺跟蹤算法研究[D]. 馮平.華中科技大學 2019
[2]復雜環(huán)境下魯棒實時目標跟蹤技術研究[D]. 曾凡祥.北京郵電大學 2017
[3]成像導引頭地面目標跟蹤技術研究[D]. 申璐榕.國防科學技術大學 2014
[4]三維目標群及動態(tài)表面的重建和跟蹤[D]. 劉燁.復旦大學 2013
碩士論文
[1]基于相關濾波的目標穩(wěn)定跟蹤技術研究[D]. 吳昭童.中國科學院大學(中國科學院光電技術研究所) 2019
[2]復雜場景運動目標跟蹤算法研究[D]. 盧耀坤.電子科技大學 2019
[3]醫(yī)學圖像中多目標檢測與跟蹤技術研究[D]. 蔡俊林.華南理工大學 2012
[4]基于多目標跟蹤的醫(yī)學影像分析[D]. 高婷婷.西安電子科技大學 2012
[5]肛管外病癥計算機輔助診斷的圖像分割和目標跟蹤[D]. 江南春.南昌大學 2011
本文編號：3003153
【文章來源】：中國科學院大學(中國科學院光電技術研究所)四川省
【文章頁數】：75 頁
【學位級別】：碩士
【部分圖文】：
目標跟蹤基本框架
復雜場景下相關濾波跟蹤算法研究12圖2.1相關濾波示意圖Figure2.1Theillustrationofcorrelationfilter用公式表示為：g=hf…(2.2)其中，g表示相關響應輸出，h表示濾波器模型，f表示輸入圖像。在時域中進行卷積操作計算量較大，為了提高計算速度，將公式（2.2）進行快速傅里葉變換（FFT），則時域中的卷積運算就變成了頻域中的點乘操作，極大地降低了計算量，變換后公式如下：(g)(hf)GHF==…(2.3)其中，()代表傅里葉變換，H是所求的相關濾波器模型。2.3核相關濾波跟蹤理論KCF通過求解一個嶺回歸問題來確定濾波器的參數[70]，使用循環(huán)移位進行密集采樣，并且引入了核空間，核技巧的使用使得相關濾波算法對非線性問題具有一定的求解能力，也使得該算法的魯棒性有所提升。2.3.1嶺回歸嶺回歸和線性回歸的基本思想相同，都是通過訓練樣本學習一個線性模型，使其輸出值盡可能的接近樣本標簽。兩者的區(qū)別在于使用最小二乘法計算目標函數時，嶺回歸引入了L2正則化的懲罰項。在核相關跟蹤算法中，將訓練分類器看作一個嶺回歸問題，假設訓練的樣本集為11(,),...,(,),...,(,)iinnxyxyxy，通過訓練分類器找到使樣本ix和回歸目標iy的平方誤差最小的一個回歸模型
復雜場景下相關濾波跟蹤算法研究14較豐富，訓練的分類器性能較好，但是計算成本太大。為了解決這一問題，Henriques提出了通過循環(huán)移位來進行樣本采集，并在傅里葉空間域中進行計算。對于一維向量x（見式（2.8）），可以通過置換矩陣M（見式（2.9））進行循環(huán)采樣。將向量左乘置換矩陣即是將原來的樣本向右移動一個單元（見式（2.10））。通過不斷地左乘置換矩陣得到n-1個循環(huán)移位向量，將原向量x和循環(huán)移位得到的n-1個向量按照次序排列到矩陣中，可得到由基礎向量x生成的循環(huán)矩陣C(x)（見式（2.11）），其循環(huán)移位過程如圖2.3所示。12[]Tnx=x,x,...,x…(2.8)0001100001000010=M…(2.9)12-1,...,nnMx=x,x,xx…(2.10)12312-1-11-22341()nnnnnnC==xxxxxxxxXXxxxxxxxx…(2.11)圖2.3循環(huán)矩陣示意圖，引自文獻[53]Figure2.3Theillustrationofcirculantmatrix二維圖像的循環(huán)移位采樣相當于將圖像塊沿水平坐標軸和垂直坐標軸分別循環(huán)移動，如圖2.4所示。
【參考文獻】：
期刊論文
[1]基于相關濾波的長時目標跟蹤算法[J]. 鄧雪菲,彭先蓉,張建林,徐智勇. 半導體光電. 2019(05)
[2]具有尺度和旋轉適應性的長時間目標跟蹤[J]. 熊丹,盧惠民,肖軍浩,鄭志強. 自動化學報. 2019(02)
[3]目標跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟. 模式識別與人工智能. 2018(01)
[4]自適應尺度的快速相關濾波跟蹤算法[J]. 馬曉楠,劉曉利,李銀伢. 計算機輔助設計與圖形學學報. 2017(03)
[5]武器精確制導目標跟蹤測量仿真研究[J]. 艾波,劉凱. 計算機仿真. 2016(12)
[6]基于視覺的目標檢測與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟. 自動化學報. 2016(10)
[7]監(jiān)控視頻智能檢索關鍵技術綜述[J]. 張亞恒,韓琳,姜梅,蔡能斌. 影像技術. 2013(06)
[8]灰度共生矩陣紋理特征的運動目標跟蹤方法[J]. 吳剛,唐振民,程勇,朱峰,魏利華. 南京理工大學學報(自然科學版). 2010(04)
[9]人運動的視覺分析綜述[J]. 王亮,胡衛(wèi)明,譚鐵牛. 計算機學報. 2002(03)
博士論文
[1]復雜場景下單目標的視覺跟蹤算法研究[D]. 馮平.華中科技大學 2019
[2]復雜環(huán)境下魯棒實時目標跟蹤技術研究[D]. 曾凡祥.北京郵電大學 2017
[3]成像導引頭地面目標跟蹤技術研究[D]. 申璐榕.國防科學技術大學 2014
[4]三維目標群及動態(tài)表面的重建和跟蹤[D]. 劉燁.復旦大學 2013
碩士論文
[1]基于相關濾波的目標穩(wěn)定跟蹤技術研究[D]. 吳昭童.中國科學院大學(中國科學院光電技術研究所) 2019
[2]復雜場景運動目標跟蹤算法研究[D]. 盧耀坤.電子科技大學 2019
[3]醫(yī)學圖像中多目標檢測與跟蹤技術研究[D]. 蔡俊林.華南理工大學 2012
[4]基于多目標跟蹤的醫(yī)學影像分析[D]. 高婷婷.西安電子科技大學 2012
[5]肛管外病癥計算機輔助診斷的圖像分割和目標跟蹤[D]. 江南春.南昌大學 2011
本文編號：3003153
本文鏈接：http://sikaile.net/kejilunwen/dianzigongchenglunwen/3003153.html
