在計(jì)算機(jī)視覺(jué)發(fā)展越來(lái)越快的今天,目標(biāo)跟蹤廣泛運(yùn)用在軍事偵察、地圖測(cè)繪、視覺(jué)導(dǎo)航等多個(gè)方面。目標(biāo)跟蹤算法需要在跟蹤開(kāi)始前選定跟蹤目標(biāo)并提取目標(biāo)模板;在跟蹤開(kāi)始后,根據(jù)目標(biāo)模板預(yù)測(cè)目標(biāo)在最新一幀圖像中的位置。在復(fù)雜場(chǎng)景下進(jìn)行目標(biāo)跟蹤會(huì)遇到目標(biāo)尺度變化、目標(biāo)受遮擋、目標(biāo)快速運(yùn)動(dòng)、目標(biāo)形變與相似目標(biāo)干擾等問(wèn)題,從而影響跟蹤效果。本文對(duì)核相關(guān)濾波器（Kernel Correlation Filter,KCF）跟蹤算法進(jìn)行改進(jìn),使其在目標(biāo)發(fā)生尺度變化、受遮擋、形變與光照變化等復(fù)雜環(huán)境下有較好的跟蹤效果,所做工作如下:（1）KCF跟蹤算法在目標(biāo)發(fā)生尺度變化或受長(zhǎng)時(shí)間遮擋時(shí)無(wú)法準(zhǔn)確跟蹤目標(biāo)。針對(duì)上述問(wèn)題,本文提出了抗遮擋與尺度自適應(yīng)的改進(jìn)KCF跟蹤算法。算法首先利用快速尺度估計(jì)對(duì)跟蹤目標(biāo)進(jìn)行尺度變換。其次,當(dāng)檢測(cè)到目標(biāo)受到遮擋時(shí)停止更新目標(biāo)模型,融合加權(quán)窗口濾波器對(duì)目標(biāo)位置進(jìn)行預(yù)測(cè),利用預(yù)測(cè)結(jié)果修正目標(biāo)跟蹤區(qū)域。最后,將算法移植到Guidance視覺(jué)平臺(tái)上并為其設(shè)計(jì)跟蹤實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該算法能夠有效解決目標(biāo)尺度變化與目標(biāo)受遮擋等跟蹤問(wèn)題。（2）為提高KCF跟蹤算法在目標(biāo)形變、光照變化等復(fù)雜背景下的跟... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

樣本循環(huán)矩陣KCF跟蹤算法中跟蹤目標(biāo)特征是由二維向量組成，同樣可以運(yùn)用循環(huán)位移的方

燕山大學(xué)工學(xué)碩士學(xué)位論文-10-式得到大量樣本，不過(guò)需要考慮在橫縱兩個(gè)方向均要進(jìn)行循環(huán)移位，行變換與列變換分別通過(guò)右乘和左乘置換矩陣獲得。圖2-2表示二維圖像的列循環(huán)移位。圖2-2二維圖像的列循環(huán)移位2.3HOG特征提取循環(huán)位移得到大連樣本后，需要提取取跟蹤目標(biāo)的特征信息來(lái)完成識(shí)別跟蹤任務(wù)。由Dalal等[50]引入的方向梯度直方圖(HOG)可以很好地描述目標(biāo)邊緣梯度變化較為強(qiáng)烈的區(qū)域，以此來(lái)識(shí)別目標(biāo)輪廓，將目標(biāo)的形狀與外觀有效地結(jié)合起來(lái)，受到目標(biāo)幾何形變與光學(xué)形變的干擾較校HOG特征的提取由以下幾個(gè)部分組成[51]。(1)灰度化處理。依照式(2-3)將輸入的RGB圖像轉(zhuǎn)化為單通道Gray圖像。(x,y)R(x,y)*0.299G(x,)y*0.587BUx,*0.1(y)14(2-3)式中，U(x,y)本章為圖像灰度信息，R(x,y)、G(x,y)和B(x,y)分別為圖像紅、綠、藍(lán)信息。(2)采取gamma校正法標(biāo)準(zhǔn)化輸入圖像顏色空間，校正公式為：(,)(,)gammaVxyUxy(2-4)式中，gamma0.5，通過(guò)gamma處理后可降低光照變化和局部圖像陰影的影響。(3)計(jì)算圖像的梯度與方向。使用Sobel梯度算子計(jì)算所有像素的梯度值和梯度方向。x方向和y方向的梯度算子分別為：T[1,0,1],[1,0,1]xyGG(2-5)通過(guò)梯度算子可以得到I(x,y)中每個(gè)像素點(diǎn)的梯度G(x,y)和梯度方向(x,y)，水平向右與垂直向上為x與y方向上的正方向：22(,)(,),(,)arctan()(,)xxyyGxyGxyGGxyGxy(2-6)(4)構(gòu)建9維hog特征向量。將像素信息分割成多個(gè)“cell”，每一個(gè)cell中有8*8個(gè)像素點(diǎn)。采用9個(gè)bin的直方圖來(lái)統(tǒng)計(jì)像素梯度信息。如下圖2-3所示：如果有一個(gè)像素的梯度方向在π(0,)9或10π(π,)9之間時(shí)，直方圖中第1個(gè)bin的計(jì)數(shù)就加一。通過(guò)這種方式處理cell內(nèi)每個(gè)像素，就可以獲得該cell的9維特征向量。

第2章KCF跟蹤算法介紹-11-圖2-3圖像方向直方圖(5)歸一化截?cái)�。利用該方式獲得cell的36維特征向量。本章設(shè)D(i,j)為第(i,j)個(gè)cell的9維特征向量，與其相鄰的特征向量為：(1,1)(1,)(1,1)(,1)(,)(,1)(1,1)(1)(1,1)ijijijijijijijiijDDDDDDDDD(2-7)本章定義β,γN為：222212(,)((,)(,)(,)(,))β,γNijDijDiβjDiβjγDijγ(2-8)通過(guò)式(2-7)與式(2-8)可從1維向量中可提取4維歸一化向量，總共可以得4*9=36維特征向量。本章中H(i,j)代表36維特征向量，如式(2-9)所示：1,11,11,11,1min((,),(,))min((,),(,))(,)min((,),(,))min((,),(,))ijijijijijijijijijNDNDHNDND(2-9)(6)PCA降維。文獻(xiàn)[51]利用PCA降維細(xì)化特征信息，如圖2-4所示。圖2-4圖像36維特征信息圖2-4中表示的是圖像36維特征向量，將其分別按行、按列求和。按行求和可得到4維特征，每一維特征表示當(dāng)前歸一化向量中所有梯度特征的和，可以表現(xiàn)圖像紋理信息；按列求和可以得到9維特征，表示每個(gè)梯度下所有歸一化向量的和，

【參考文獻(xiàn)】：
期刊論文
[1]融合MeanShift和改進(jìn)SURF算法的目標(biāo)定位策略[J]. 張毅,張瀚,韓曉園.  控制工程. 2020(04)
[2]改進(jìn)STC和SURF特征聯(lián)合優(yōu)化的目標(biāo)跟蹤算法[J]. 黃云明,張晶,喻小惠,陶濤,龔力波.  計(jì)算機(jī)工程與科學(xué). 2019(10)
[3]基于非線性導(dǎo)引的多無(wú)人機(jī)協(xié)同目標(biāo)跟蹤控制[J]. 張昕,李沛,蔡俊偉.  指揮信息系統(tǒng)與技術(shù). 2019(04)
[4]無(wú)人機(jī)目標(biāo)跟蹤綜述[J]. 徐懷宇,黃偉,董明超,吳金明.  網(wǎng)絡(luò)新媒體技術(shù). 2019(05)
[5]基于LoG算子的雙濾波邊緣檢測(cè)算法[J]. 張陽(yáng),劉纏牢,盧偉家,劉璐.  電子測(cè)量技術(shù). 2019(04)
[6]基于圖像處理的車(chē)輛違章逆行識(shí)別[J]. 趙振東.  中國(guó)新通信. 2018(23)
[7]無(wú)人駕駛中的人工智能運(yùn)用[J]. 倪宇清.  通訊世界. 2018(09)
[8]視覺(jué)目標(biāo)跟蹤方法研究綜述[J]. 葛寶義,左憲章,胡永江.  中國(guó)圖象圖形學(xué)報(bào). 2018(08)
[9]Automatic Feature Point Detection and Tracking of Human Actions in Time-of-flight Videos[J]. Xiaohui Yuan,Longbo Kong,Dengchao Feng,Zhenchun Wei.  IEEE/CAA Journal of Automatica Sinica. 2017(04)
[10]基于深度學(xué)習(xí)的目標(biāo)跟蹤方法研究現(xiàn)狀與展望[J]. 羅海波,許凌云,惠斌,常錚.  紅外與激光工程. 2017(05)

博士論文
[1]無(wú)人駕駛車(chē)輛自主導(dǎo)航關(guān)鍵技術(shù)研究[D]. 賈會(huì)群.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所) 2019

碩士論文
[1]基于相關(guān)濾波的視頻目標(biāo)跟蹤技術(shù)研究[D]. 王艷川.戰(zhàn)略支援部隊(duì)信息工程大學(xué) 2018
[2]服務(wù)機(jī)器人視覺(jué)追蹤技術(shù)研究[D]. 周燕秋.上海師范大學(xué) 2018
[3]基于核相關(guān)濾波的目標(biāo)跟蹤算法研究[D]. 羅雅愉.華南理工大學(xué) 2016
[4]運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)的研究[D]. 張彥超.北京交通大學(xué) 2014
[5]基于視覺(jué)圖像的移動(dòng)目標(biāo)跟蹤技術(shù)研究[D]. 井亮.南京航空航天大學(xué) 2011
[6]軍事運(yùn)動(dòng)目標(biāo)的識(shí)別與跟蹤研究[D]. 張麗.東北大學(xué) 2009



本文編號(hào)：3336730