得益于“中國制造2025”、“十三五規(guī)劃”等政策的提出,和國家對高科技產(chǎn)業(yè)的支持,使得在能源、5G、大數(shù)據(jù)、AI、無人駕駛等領(lǐng)域的有了迅猛發(fā)展。依托于企業(yè)、社會的需求,機(jī)器視覺在智能安防、人員監(jiān)測、車輛檢測、行為識別等領(lǐng)域越發(fā)重要,目標(biāo)跟蹤作為機(jī)器視覺的一個關(guān)鍵技術(shù),本文在提高目標(biāo)跟蹤算法實(shí)時性的前提下,同時改進(jìn)算法對于目標(biāo)遮擋、形變的魯棒性做了一些工作。近年來,判別相關(guān)濾波器（DCF）在對象跟蹤方面取得了很好的研究成果�？墒�,DCF方式在快速變形和快速活動時跟蹤機(jī)能較差。空間正則化DCF（SRDCF）通過將空間正則項(xiàng)添加到相關(guān)濾波算法中,試圖解決此問題,與之帶來的是計(jì)算復(fù)雜度的增加。背景感知DCF（BACF）使用了由真實(shí)樣本的位移生成的負(fù)樣本來提高真實(shí)樣本的比率。STRCF提出時間正則項(xiàng),使得跟蹤算法更好的關(guān)聯(lián)上下幀信息。此外,在外觀變化較大、遮擋等的情況下,STRCF的跟蹤模型比SRDCF更魯棒。首先,為了保證目標(biāo)跟蹤算法的實(shí)時性,以經(jīng)典的目標(biāo)跟蹤算法KCF做為基礎(chǔ)框架;同時為了保證算法對物體外觀特征變化、物體遮擋有較強(qiáng)的抗干擾能力,提出了一種自適應(yīng)時空正則相關(guān)濾波（ASTRCF）... 

【文章來源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１表情分析、道路監(jiān)控、車輛檢測、智能交通等的應(yīng)用場景示例??在城市、鄉(xiāng)村場景應(yīng)用中，目標(biāo)跟蹤是計(jì)算機(jī)視覺的一個很實(shí)用的技術(shù)

?；?－?ｊ?／?ｉ?ｔ?１?１?ｒ?１?１?．?＿??９８１?１９９４１?ＩＷ８?２＼ｍ?１２（ＫＪ３＇?＾?２〇Ｕ５?２（Ｋ＞６?］?２０Ｋ）?２〇ｌｉ?２０１２?２０１３?２＜Ｍ４?２０１５?ｆ?２０１６１?２０１７＂?２０１８??ＫＬＴ?Ｍｅａｎ?Ｓｈｉｆｔ?Ｂｏｏｓｔｉｎｇ?ＫＣｊ７?ＳＲＩＸ?Ｉ?＾?ｌ－ＣＸ）?ＵＰｆ）Ｔ??－?｜?Ｓｌｒｔｃｋ?ｊ?（謂?｜??Ｉ?ｃａｉｕｒｃ?Ｓｅｌｅｃｔｉｏｎ?Ｔｉ?［＞?各?｜－??ＣＳＫ．?ＤＳＳＴ?ＢＡＣＴ??圖２各時間節(jié)點(diǎn)的代表性目標(biāo)跟蹤算法??１．３本文的工作??本文算法是基于ＫＣＦ（?ｋｅｒｎｅｌ?ｃｏｒｒｅｌａｔｉｏｎ?ｆｉｌｔｅｒ）目標(biāo)跟蹤算法，首先，提出了一??種自適應(yīng)時空正則相關(guān)過濾器（ＡＳＴＲＣＦ），其模型策略可以平衡時空系數(shù)和空間正??則化權(quán)重，來更好地隨著時間和空間有效地學(xué)習(xí)目標(biāo)和背景的新外觀。最后，通過??提出一種置信度評價指標(biāo)和重檢測策略，分別來評價目標(biāo)響應(yīng)的可信度，若可信度??低，即判為目標(biāo)丟失，啟動設(shè)計(jì)的多峰檢測方法，發(fā)進(jìn)而提高跟蹤算法的精度。本??文采用模型更新抑制策略來校正模型更新過程中的錯誤判斷，并避免模型損壞。??（１）相關(guān)濾波算法模塊，主要是基于ＫＣＦ跟蹤算法進(jìn)行改進(jìn)，添加時空自適??應(yīng)項(xiàng)，提高算法的魯棒性；同時，本文采用交叉乘子算法ＡＤＭＭ的算法來優(yōu)化算??法模型的求解過程，減少時間，提高實(shí)時性。??（２）遮擋判決模塊，主要是基于視頻上下文信息，判斷當(dāng)前幀的目標(biāo)是否有??遮擋，對于提高目標(biāo)定位魯棒性有一定的提升。??（３）重檢測模塊，主要是當(dāng)物體在跟蹤過程中，可能由于形變、光照、或者??相識背景千擾、低分

頌士學(xué)位論文??ＭＡＳ?Ｉ?ＥＲ?Ｓ?Ｔｉｌｌ－ＳＩＳ??第二章單目標(biāo)跟蹤算法發(fā)展及其框架概述??２．１跟蹤整雖架??目標(biāo)跟蹤，簡單來說就是如何在一組圖片序列或者一段視頻流信息當(dāng)中，篩選??出本文所需要的目標(biāo)個體或者群體。如圖４所示，和圖像檢測不同，目標(biāo)跟蹤的第??一幀往往是人工手動標(biāo)注的，而檢測，是在既定的條件下，系統(tǒng)輸入整張圖片全局??搜索出來的，是沒有人員干預(yù)的。首先初始幀不同。根據(jù)圖４框定人臉，系統(tǒng)開始??在該紅框區(qū)域內(nèi)建模，當(dāng)視頻流的下一幀輸入時，篩選出上一幀目標(biāo)區(qū)域附近的幾??個候選區(qū)域，如圖中虛線紅框。之后將提取完特征的幾個預(yù)選區(qū)域進(jìn)行系統(tǒng)比對，??選擇最優(yōu)結(jié)果即為當(dāng)前預(yù)測位置，如圖４最右側(cè)紅框顯示位置［１２：。??Ｍｏｄｅｌ?Ｕｐｄａｔｅｒ?、??＾?Ｐｒｅｄｉｃｔｉｏｎ?Ａ??Ｉｎｐｕｌ?Ｆｒａｍｅ?Ｍｏｔｉｏｎ?Ｍｏｄｅｌ?Ｆｅａｔｕｒｅ?Ｅｘｔｒａｃｔｏｒ?Ｏｂｓｅｒｖａｔｉｏｎ?Ｍｏｄｅｌ?［１？�。浚。В�°�。�？，?Ｅｎｓｅｍｂｌｅ?Ｆｉｎａｌ?Ｐｒｅｄｉｃｔｉｏｎ??圖４跟蹤算法大致區(qū)塊??一個跟蹤算法基本上可以分成搜索策略、特征提娶觀測模型幾部分；運(yùn)動模??型用來建立物體與物體、幀與幀之間相關(guān)性，估計(jì)在下一幀物體近似出現(xiàn)的目標(biāo)位??置，像圖像分割在一幅圖像中選出預(yù)選框也有類似方法：閾值分割、邊緣分割、直??方圖法也可以適當(dāng)借鑒。也有相關(guān)的工作，像ＳｉａｍＲＰＮ的ＲＰＮ網(wǎng)絡(luò)結(jié)構(gòu)，就是網(wǎng)??絡(luò)預(yù)選框不是通過傳統(tǒng)的方法選擇，而是通過將圖片輸入跟蹤算法，而直接給出預(yù)??選框位置，再通過ＮＭＳ極大似然抑制，進(jìn)行框降維，縮小檢測數(shù)量，提高效率。??特征提取部分，是整個跟蹤算法最要的結(jié)構(gòu)部分之一

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)的目標(biāo)跟蹤算法綜述[J]. 李璽,查宇飛,張?zhí)熘?崔振,左旺孟,侯志強(qiáng),盧湖川,王菡子.  中國圖象圖形學(xué)報(bào). 2019(12)
[2]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)
[3]智能視頻監(jiān)控技術(shù)綜述[J]. 黃凱奇,陳曉棠,康運(yùn)鋒,譚鐵牛.  計(jì)算機(jī)學(xué)報(bào). 2015(06)



本文編號：3304156