目標(biāo)跟蹤技術(shù)作為計算機視覺領(lǐng)域中的重要研究方向之一,在智能監(jiān)控、人機交互、醫(yī)學(xué)診斷等眾多領(lǐng)域中都具有重要作用。然而在實際跟蹤場景中經(jīng)常存在著光照變化、尺度變化、出視野及遮擋等復(fù)雜情況,這為實現(xiàn)快速而魯棒的跟蹤帶來了巨大的挑戰(zhàn)。近幾年,隨著相關(guān)濾波和深度學(xué)習(xí)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(guān)濾波,解決了算法的實時性問題。本文針對跟蹤中復(fù)雜場景帶來的挑戰(zhàn),在核相關(guān)濾波算法的基礎(chǔ)上提出了兩種改進(jìn)方法,分別改善了核相關(guān)濾波跟蹤算法對遮擋、出視野以及尺度變化等復(fù)雜場景的適應(yīng)性。本文主要研究內(nèi)容包括以下幾點:第一,針對復(fù)雜場景下目標(biāo)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(guān)濾波跟蹤算法。該算法訓(xùn)練了一個置信度濾波器,使用其相關(guān)響應(yīng)和相關(guān)峰平均能量進(jìn)行置信度估計,并利用置信度濾波器最大響應(yīng)進(jìn)行位置修正,緩解了位置濾波器的跟蹤漂移問題;針對在復(fù)雜場景下的目標(biāo)跟蹤過程中目標(biāo)被遮擋或者出視野無法繼續(xù)跟蹤的問題,通過構(gòu)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(jié)果進(jìn)行目標(biāo)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(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所)四川省

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標(biāo)跟蹤基本框架

復(fù)雜場景下相關(guān)濾波跟蹤算法研究12圖2.1相關(guān)濾波示意圖Figure2.1Theillustrationofcorrelationfilter用公式表示為：g=hf…(2.2)其中，g表示相關(guān)響應(yīng)輸出，h表示濾波器模型，f表示輸入圖像。在時域中進(jìn)行卷積操作計算量較大，為了提高計算速度，將公式（2.2）進(jìn)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(guān)濾波器模型。2.3核相關(guān)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(shù)[70]，使用循環(huán)移位進(jìn)行密集采樣，并且引入了核空間，核技巧的使用使得相關(guān)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(xùn)練樣本學(xué)習(xí)一個線性模型，使其輸出值盡可能的接近樣本標(biāo)簽。兩者的區(qū)別在于使用最小二乘法計算目標(biāo)函數(shù)時，嶺回歸引入了L2正則化的懲罰項。在核相關(guān)跟蹤算法中，將訓(xùn)練分類器看作一個嶺回歸問題，假設(shè)訓(xùn)練的樣本集為11(,),...,(,),...,(,)iinnxyxyxy，通過訓(xùn)練分類器找到使樣本ix和回歸目標(biāo)iy的平方誤差最小的一個回歸模型

復(fù)雜場景下相關(guān)濾波跟蹤算法研究14較豐富，訓(xùn)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(jìn)行樣本采集，并在傅里葉空間域中進(jìn)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(jìn)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(chǔ)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(xiàn)[53]Figure2.3Theillustrationofcirculantmatrix二維圖像的循環(huán)移位采樣相當(dāng)于將圖像塊沿水平坐標(biāo)軸和垂直坐標(biāo)軸分別循環(huán)移動，如圖2.4所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于相關(guān)濾波的長時目標(biāo)跟蹤算法[J]. 鄧雪菲,彭先蓉,張建林,徐智勇.  半導(dǎo)體光電. 2019(05)
[2]具有尺度和旋轉(zhuǎn)適應(yīng)性的長時間目標(biāo)跟蹤[J]. 熊丹,盧惠民,肖軍浩,鄭志強.  自動化學(xué)報. 2019(02)
[3]目標(biāo)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(yīng)尺度的快速相關(guān)濾波跟蹤算法[J]. 馬曉楠,劉曉利,李銀伢.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2017(03)
[5]武器精確制導(dǎo)目標(biāo)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(biāo)檢測與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟.  自動化學(xué)報. 2016(10)
[7]監(jiān)控視頻智能檢索關(guān)鍵技術(shù)綜述[J]. 張亞恒,韓琳,姜梅,蔡能斌.  影像技術(shù). 2013(06)
[8]灰度共生矩陣紋理特征的運動目標(biāo)跟蹤方法[J]. 吳剛,唐振民,程勇,朱峰,魏利華.  南京理工大學(xué)學(xué)報(自然科學(xué)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(xué)報. 2002(03)

博士論文
[1]復(fù)雜場景下單目標(biāo)的視覺跟蹤算法研究[D]. 馮平.華中科技大學(xué) 2019
[2]復(fù)雜環(huán)境下魯棒實時目標(biāo)跟蹤技術(shù)研究[D]. 曾凡祥.北京郵電大學(xué) 2017
[3]成像導(dǎo)引頭地面目標(biāo)跟蹤技術(shù)研究[D]. 申璐榕.國防科學(xué)技術(shù)大學(xué) 2014
[4]三維目標(biāo)群及動態(tài)表面的重建和跟蹤[D]. 劉燁.復(fù)旦大學(xué) 2013

碩士論文
[1]基于相關(guān)濾波的目標(biāo)穩(wěn)定跟蹤技術(shù)研究[D]. 吳昭童.中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所) 2019
[2]復(fù)雜場景運動目標(biāo)跟蹤算法研究[D]. 盧耀坤.電子科技大學(xué) 2019
[3]醫(yī)學(xué)圖像中多目標(biāo)檢測與跟蹤技術(shù)研究[D]. 蔡俊林.華南理工大學(xué) 2012
[4]基于多目標(biāo)跟蹤的醫(yī)學(xué)影像分析[D]. 高婷婷.西安電子科技大學(xué) 2012
[5]肛管外病癥計算機輔助診斷的圖像分割和目標(biāo)跟蹤[D]. 江南春.南昌大學(xué) 2011



本文編號：3003153