在計算機視覺發(fā)展越來越快的今天,目標跟蹤廣泛運用在軍事偵察、地圖測繪、視覺導航等多個方面。目標跟蹤算法需要在跟蹤開始前選定跟蹤目標并提取目標模板;在跟蹤開始后,根據(jù)目標模板預測目標在最新一幀圖像中的位置。在復雜場景下進行目標跟蹤會遇到目標尺度變化、目標受遮擋、目標快速運動、目標形變與相似目標干擾等問題,從而影響跟蹤效果。本文對核相關濾波器（Kernel Correlation Filter,KCF）跟蹤算法進行改進,使其在目標發(fā)生尺度變化、受遮擋、形變與光照變化等復雜環(huán)境下有較好的跟蹤效果,所做工作如下:（1）KCF跟蹤算法在目標發(fā)生尺度變化或受長時間遮擋時無法準確跟蹤目標。針對上述問題,本文提出了抗遮擋與尺度自適應的改進KCF跟蹤算法。算法首先利用快速尺度估計對跟蹤目標進行尺度變換。其次,當檢測到目標受到遮擋時停止更新目標模型,融合加權窗口濾波器對目標位置進行預測,利用預測結果修正目標跟蹤區(qū)域。最后,將算法移植到Guidance視覺平臺上并為其設計跟蹤實驗,實驗結果表明該算法能夠有效解決目標尺度變化與目標受遮擋等跟蹤問題。（2）為提高KCF跟蹤算法在目標形變、光照變化等復雜背景下的跟... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

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

燕山大學工學碩士學位論文-10-式得到大量樣本，不過需要考慮在橫縱兩個方向均要進行循環(huán)移位，行變換與列變換分別通過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的特征信息來完成識別跟蹤任務。由Dalal等[50]引入的方向梯度直方圖(HOG)可以很好地描述目標邊緣梯度變化較為強烈的區(qū)域，以此來識別目標輪廓，將目標的形狀與外觀有效地結合起來，受到目標幾何形變與光學形變的干擾較校HOG特征的提取由以下幾個部分組成[51]。(1)灰度化處理。依照式(2-3)將輸入的RGB圖像轉化為單通道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、藍信息。(2)采取gamma校正法標準化輸入圖像顏色空間，校正公式為：(,)(,)gammaVxyUxy(2-4)式中，gamma0.5，通過gamma處理后可降低光照變化和局部圖像陰影的影響。(3)計算圖像的梯度與方向。使用Sobel梯度算子計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)通過梯度算子可以得到I(x,y)中每個像素點的梯度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)構建9維hog特征向量。將像素信息分割成多個“cell”，每一個cell中有8*8個像素點。采用9個bin的直方圖來統(tǒng)計像素梯度信息。如下圖2-3所示：如果有一個像素的梯度方向在π(0,)9或10π(π,)9之間時，直方圖中第1個bin的計數(shù)就加一。通過這種方式處理cell內每個像素，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)歸一化截斷。利用該方式獲得cell的36維特征向量。本章設D(i,j)為第(i,j)個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[51]利用PCA降維細化特征信息，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，表示每個梯度下所有歸一化向量的和，

【參考文獻】：
期刊論文
[1]融合MeanShift和改進SURF算法的目標定位策略[J]. 張毅,張瀚,韓曉園.  控制工程. 2020(04)
[2]改進STC和SURF特征聯(lián)合優(yōu)化的目標跟蹤算法[J]. 黃云明,張晶,喻小惠,陶濤,龔力波.  計算機工程與科學. 2019(10)
[3]基于非線性導引的多無人機協(xié)同目標跟蹤控制[J]. 張昕,李沛,蔡俊偉.  指揮信息系統(tǒng)與技術. 2019(04)
[4]無人機目標跟蹤綜述[J]. 徐懷宇,黃偉,董明超,吳金明.  網(wǎng)絡新媒體技術. 2019(05)
[5]基于LoG算子的雙濾波邊緣檢測算法[J]. 張陽,劉纏牢,盧偉家,劉璐.  電子測量技術. 2019(04)
[6]基于圖像處理的車輛違章逆行識別[J]. 趙振東.  中國新通信. 2018(23)
[7]無人駕駛中的人工智能運用[J]. 倪宇清.  通訊世界. 2018(09)
[8]視覺目標跟蹤方法研究綜述[J]. 葛寶義,左憲章,胡永江.  中國圖象圖形學報. 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]基于深度學習的目標跟蹤方法研究現(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]無人駕駛車輛自主導航關鍵技術研究[D]. 賈會群.中國科學院大學(中國科學院長春光學精密機械與物理研究所) 2019

碩士論文
[1]基于相關濾波的視頻目標跟蹤技術研究[D]. 王艷川.戰(zhàn)略支援部隊信息工程大學 2018
[2]服務機器人視覺追蹤技術研究[D]. 周燕秋.上海師范大學 2018
[3]基于核相關濾波的目標跟蹤算法研究[D]. 羅雅愉.華南理工大學 2016
[4]運動目標跟蹤技術的研究[D]. 張彥超.北京交通大學 2014
[5]基于視覺圖像的移動目標跟蹤技術研究[D]. 井亮.南京航空航天大學 2011
[6]軍事運動目標的識別與跟蹤研究[D]. 張麗.東北大學 2009



本文編號：3336730