目標跟蹤在人機交互、智能監(jiān)控、自主導航、軍事國防等領域具有廣泛的應用前景。但由于跟蹤過程中常常伴有遮擋、形變、光照、背景干擾、運動模糊等問題,使得目標跟蹤在實際應用中面臨許多困難。基于核相關濾波器的目標跟蹤算法(Kernel Correlation Filter,KCF)由于速度快、準確率高而受到廣泛關注,但其仍存在跟蹤失敗現(xiàn)象。為了進一步提高KCF算法跟蹤的準確率和成功率,本文對其進行深入研究,并提出以下改進算法:(1)為了更好地對目標進行描述,本文提出了特征融合。將具有互補功能的HOG特征和CN特征融合在一起,充分發(fā)揮各個特征的優(yōu)勢,增強對目標的表征能力。(2)針對KCF算法缺少尺度估計的問題,本文給出了一種尺度估計的方法。首先以目標為中心采集一系列不同尺度的圖像塊,訓練得到一個一維尺度相關濾波器;然后利用該濾波器對目標進行檢測,預測目標的最佳尺度。(3)針對KCF算法在遮擋、形變、運動模糊等情況下易出現(xiàn)跟蹤失敗的問題,本文提出了一種基于多峰重檢策略的改進算法。該算法利用濾波響應圖進行目標重檢,避免了因錯誤定位目標而導致的跟蹤失敗問題。為了驗證本文改進算法的有效性,實驗部分對OTB...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 目標跟蹤基本框架
    1.3 目標跟蹤研究現(xiàn)狀
        1.3.1 面臨困難
        1.3.2 目標跟蹤算法分類
    1.4 研究內(nèi)容與章節(jié)安排
第2章 KCF目標跟蹤算法
    2.1 引言
    2.2 相關濾波跟蹤原理
    2.3 循環(huán)移位和循環(huán)矩陣理論
        2.3.1 循環(huán)移位
        2.3.2 循環(huán)矩陣
    2.4 嶺回歸算法
        2.4.1 線性嶺回歸
        2.4.2 非線性嶺回歸
    2.5 KCF目標跟蹤算法原理
        2.5.1 快速訓練
        2.5.2 快速檢測
        2.5.3 快速核相關
        2.5.4 模型更新
    2.6 本章小結
第3章 KCF算法改進
    3.1 引言
    3.2 特征融合
        3.2.1 HOG特征
        3.2.2 CN特征
        3.2.3 多通道特征融合
    3.3 尺度估計
        3.3.1 尺度金字塔
        3.3.2 尺度相關濾波器
    3.4 多峰重檢策略
        3.4.1 響應圖分析
        3.4.2 多峰重檢
        3.4.3 訓練更新
    3.5 改進算法流程圖
    3.6 本章小結
第4章 目標跟蹤實驗與結果分析
    4.1 數(shù)據(jù)集與評價指標
    4.2 特征融合實驗
    4.3 尺度估計實驗
    4.4 流行算法對比實驗
        4.4.1 定量分析
        4.4.2 定性分析
    4.5 本章小結
結論
參考文獻
致謝



本文編號：3828334