發(fā)布時間：2021-08-26 04:20

　　視頻目標跟蹤技術,是當下計算機視覺研究領域的熱點問題,可廣泛應用于智能駕駛、行為分析、醫(yī)學診斷等多種軍用和民用領域,這種技術可使機器具備模擬人類視覺系統(tǒng)及思考方式的能力,辨別視野中的運動物體,進而實現(xiàn)目標的準確定位。雖然該研究領域已經(jīng)取得較多重大進展,但實際情況通常復雜多變,不僅要求跟蹤算法具備足夠的精確度,對跟蹤速度也有極高的要求,所以,要真正實現(xiàn)該技術規(guī)�；涞貞萌匀淮嬖诰薮筇魬�(zhàn)。在目前眾多種類的跟蹤算法中,相關濾波方法（CFT,correlation filter based tracker）以兼顧精度和速度的優(yōu)勢逐漸占據(jù)了主導地位。本文針對近年來該算法的各個關鍵技術,以解決實時性跟蹤、復雜條件下跟蹤、目標運動狀態(tài)多變等難題為目標,從三個角度展開研究,包括:構建魯棒的目標外觀,提高目標定位準確度,以及對目標和場景變化的動態(tài)建模。主要研究成果如下:（1）基于進化特征子集的目標外觀表示方法提出將整個特征集合比作種群,單一的特征向量比作個體,并構建基于進化算法的優(yōu)化框架來完成多特征融合最優(yōu)子集的篩選。這種利用剔除冗余信息的特征向量訓練出的目標外觀模型魯棒性更強。該特征優(yōu)化方法的思路在... 

【文章來源】：東北師范大學吉林省 211工程院校 教育部直屬院校

【文章頁數(shù)】：112 頁

【學位級別】：博士

【部分圖文】：

循環(huán)采樣示意圖

= iiiw α (x)（1-9這種方法可快速檢測到目標的位置所在。這里需要特別說明，對于上述介紹的當 f 為線性時即為 DCF 方法，當 f 為非線性，引入核函數(shù)時即為 KCF 方法。目前大多數(shù)的相關濾跟蹤方法[80]都應用了循環(huán)矩陣和嶺回歸策略，并遵循如圖 1法框架[69]，圖中的符號⊙表示點乘運算，F(xiàn)FT 為快速傅里葉變換，在進行相關，再通過 IFFT 傅里葉逆變換得到響應圖，進而確定目標位置。在相關濾波跟蹤中，需要重點解決的主要有如下四個問題[79]：1. 輸入：即初始化，確定當前輸入，并根據(jù)前一幀中目標位置提取的特征來訓習以得到相關濾波器。2. 特征提取：對視頻序列中的每一幀，裁剪下根據(jù)上一幀目標位置得到的待檢區(qū)域并提取特征，通常為了平滑結果，大多數(shù)方法都會添加余弦窗口。

圖 1-3 相關濾波器跟蹤方法的發(fā)展方向示意圖在跟蹤過程中，基于上一幀的跟蹤結果決定出當前幀的待檢測區(qū)域，然后再利用訓練出的兩個濾波器模板對與待檢測區(qū)域做相關計算的操作，得到兩個響應圖，最后再采用線性方法，將得到的兩個響應圖融合成最終響應圖，最終確定出目標位置。c) 尺度變換大部分跟蹤方法尤其是相關濾波跟蹤方法在訓練過程中容易忽略對尺度的估計或使用相同的方式處理不同尺度的樣本，這就使得在目標發(fā)生大尺度形變時較易發(fā)生目標丟失或目標偏移，如 KCF 方法的目標框從始至終大小未發(fā)生變化，多數(shù)方法的設計主要集中于目標定位。也有少數(shù)方法的設計是針對尺度變化，但跟蹤速度較慢，很難達到實時。2014 年 MD 等人提出 DSST 方法[58]，首次在相關濾波跟蹤方法中同時使用位置濾波器和尺度濾波器來進行目標定位和尺度評估。DSST 方法中的位置濾波器通過上一幀確定的目標框來獲取候選框，在確定目標位置后，尺度濾波器以當前目標框的大小為基準，基于 33 種較精細的不同尺度候選框來確定新目標的尺度。整個聯(lián)合相關濾波器基于三維尺度空間，大小為 M×N×S，其中 M 和 N 為相關濾波器的長寬，S 為相關

【參考文獻】：
期刊論文
[1]基于相關濾波器的視頻跟蹤方法研究進展[J]. 劉巧元,王玉茹,張金玲,殷明浩.  自動化學報. 2019(02)
[2]基于深度譜卷積神經(jīng)網(wǎng)絡的高效視覺目標跟蹤算法[J]. 郭強,蘆曉紅,謝英紅,孫鵬.  紅外與激光工程. 2018(06)
[3]基于智能駕駛的動態(tài)目標跟蹤研究[J]. 張晶晶,楊鵬,劉元盛,梁軍.  計算機工程. 2018(07)
[4]快速尺度估計的核相關濾波目標跟蹤[J]. 丁建偉,唐云祁,田華偉,李欣.  科學技術與工程. 2017(15)
[5]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)
[6]特征融合和模型自適應更新相結合的相關濾波目標跟蹤[J]. 王暐,王春平,李軍,張偉.  光學精密工程. 2016(08)
[7]改進核相關濾波的運動目標跟蹤算法[J]. 邢運龍,李艾華,崔智高,方浩.  紅外與激光工程. 2016(S1)
[8]基于時序特性的自適應增量主成分分析的視覺跟蹤[J]. 蔡自興,彭夢,余伶俐.  電子與信息學報. 2015(11)
[9]基于外觀模型學習的視頻目標跟蹤方法綜述[J]. 張煥龍,胡士強,楊國勝.  計算機研究與發(fā)展. 2015(01)
[10]基于時空關聯(lián)圖模型的視頻監(jiān)控目標跟蹤[J]. 張誠,馬華東,傅慧源.  北京航空航天大學學報. 2015(04)

博士論文
[1]基于顯著性的視覺目標跟蹤研究[D]. 伍博.電子科技大學 2017
[2]基于單目視覺的運動目標跟蹤定位技術研究[D]. 姚楠.上海交通大學 2014
[3]基于粒子濾波器的視頻目標跟蹤關鍵技術及其應用研究[D]. 王玉茹.哈爾濱工業(yè)大學 2010
[4]紅外圖像中人體目標檢測、跟蹤及其行為識別研究[D]. 李建福.重慶大學 2010

碩士論文
[1]基于DPM模型的行人檢測與KCF跟蹤算法研究[D]. 曲曉鵬.湖南大學 2017
[2]基于序列蒙特卡洛的混合分類器集成跟蹤方法研究[D]. 劉巧元.東北師范大學 2016
[3]復雜背景下的目標檢測和跟蹤[D]. 李新縣.合肥工業(yè)大學 2015
[4]基于多目標跟蹤的醫(yī)學影像分析[D]. 高婷婷.西安電子科技大學 2012
[5]模式識別及其在計算機視覺中的實現(xiàn)[D]. 張洪波.青島科技大學 2009



本文編號：3363532