運動目標的跟蹤一直是計算機視覺領(lǐng)域的一個重要分支,在越來越復雜的環(huán)境中,要同時保證跟蹤的精確度和速度仍具有很大的挑戰(zhàn)。相關(guān)濾波（CF）的目標跟蹤算法在跟蹤領(lǐng)域一直具有很高人氣,主要原因是他具備處理速度的優(yōu)勢還具備很好的跟蹤效果。本文基于相關(guān)濾波跟蹤器的設(shè)計在復雜環(huán)境中能兼顧精確度和速度,即提升跟蹤的精確度同時達到實時效果。主要工作內(nèi)容如下:（1）核相關(guān)濾波算法（KCF）計算效率高,它通過使用快速傅里葉變換使算法在保持實時性的同時進一步拓展了高維特征。而它的不足之處在于復雜的環(huán)境中跟蹤性能差,所有的循環(huán)移位都采用了周期假設(shè)引入了不必要的邊界效應(yīng)導致候選樣本響應(yīng)度計算量大且響應(yīng)值結(jié)果低。因此對KCF進行了優(yōu)化。在KCF的基礎(chǔ)上設(shè)計了一種軌跡預測算法,提前預測目標的軌跡,為接下來的目標跟蹤確定方向,縮小樣本集的容量,減小循環(huán)周期避免不必要的邊界效應(yīng),提升目標跟蹤的精確度。（2）相關(guān)濾波算法中模型更新都在每一幀跟蹤結(jié)束后進行更新,當目標發(fā)生遮擋或變形時,有可能發(fā)生模型漂移,進而導致后續(xù)幀無法跟蹤目標。因此后期模型的更新基于多峰檢測,引入相關(guān)濾波類循環(huán)特征圖大邊緣跟蹤方法（LMCF）中的APCE... 

【文章來源】：哈爾濱師范大學黑龍江省

【文章頁數(shù)】：43 頁

【學位級別】：碩士

【部分圖文】：

循環(huán)矩陣移位的例子Fig2-1Exampleofcyclicmatrixshift

哈爾濱師范大學碩士學位論文8{|0,1,,1}uPxun(2-2)同樣，我們可以等價的把這個集合的前半部分看成正方向的位移，下半部分便是負方向的位移。圖2-2循環(huán)矩陣的圖解Fig2-2Graphicofcyclicmatrix2.1.2嶺回歸訓練嶺回歸又稱脊回歸，主要解決在回歸分析中使用正則化的方法來解決不適應(yīng)的問題。專用于共性數(shù)據(jù)分析的有偏估計回歸方法，其本質(zhì)就是對最小二乘估計法作改良，放棄無偏性，以降精度、損信息為代價獲取回歸系數(shù)更符合、可靠的回歸方法。通過對回歸系數(shù)增加懲罰機制解決最小二乘法的一些問題。其通過嶺回歸系數(shù)最小化帶懲罰項的殘差平方和：22min(())||||iiwiwfxyw(2-3)其中（xi，yi）為訓練樣本，樣本xi為列向量，yi表示標量。(xi)為線性回歸函數(shù)。λ為正則項，然后對w求偏導，結(jié)合傅里葉變換，將權(quán)重向量轉(zhuǎn)到傅里葉域便大大減小了計算量。訓練集的組成就是獲取的目標區(qū)域通過此計算方法位移得到的若干樣本，樣本相對應(yīng)的標簽是根據(jù)樣本與正樣本的距離準則決定的，距離越近可能性越大。在KCF算法中訓練過程便是嶺回歸問題，和其他分類器訓練的目標函數(shù)一樣，此分類器的目標函數(shù)也是損失函數(shù)和正則化項相加的形式。2.1.3快速檢測目前的目標檢測算法都比較復雜、在計算上耗費時間且缺乏魯棒性。并且在實時的處理中也會受到其他的限制，在復雜的背景下中進行快速檢測便也是很棘手的問題，而KCF對這一部分進行了優(yōu)化。在KCF的檢測過程中我們很少使用回歸函數(shù)(z)評估一個單獨的圖像樣本。為了檢測目標所處的位置，我們通常會在幾個圖像位置上對(z)求值。即使用多個候選樣本。這些樣本可以通過循環(huán)移位來建模。采用循環(huán)矩陣對待檢測的圖像塊z進行循環(huán)化，在目標檢測的場景中使用的公式為：()()zTfzK(2-4)

哈爾濱師范大學碩士學位論文12圖2-4軌跡預測在無人駕駛方面的規(guī)劃結(jié)構(gòu)Fig2-4Planningstructureoftrajectorypredictionindriverless2.3本章小結(jié)本章節(jié)通過拆分KCF算法，細致劃分了主要的算法流程以及解釋數(shù)學公式推導過程。KCF在跟蹤領(lǐng)域貢獻是極大的，他讓實時的目標跟蹤技術(shù)成為可能。具體的貢獻可大致分為以下三點：（1）首次提供了濾波算法融入多通道數(shù)據(jù)的方法。（2）利用核函數(shù)實現(xiàn)了線性空間的嶺回歸向非線性空間的映射，在非線性空間上通過求解對偶問題和常見的約束并使用循環(huán)矩陣、傅里葉空間對角化來簡化計算。（3）使用循環(huán)矩陣采集目標區(qū)域的正負樣本，并使用嶺回歸訓練檢測器，成功的將矩陣的運算通過傅里葉對角化性質(zhì)轉(zhuǎn)化為向量的Hadamad積的形式，大大降低運算量，提升計算速度，滿足實時性的要求。通過大量閱讀關(guān)于軌跡預測的中外文獻，發(fā)現(xiàn)此算法很貼合跟蹤領(lǐng)域的研究現(xiàn)狀，在目標跟蹤方面有研究的意義，同時也對軌跡預測方面做了介紹與分析。


本文編號：3298524