發(fā)布時間：2018-02-05 04:09

  本文關鍵詞： 目標跟蹤 金字塔LK光流法 光流信息 Kalman預估器 SVT　出處：《江西理工大學》2017年碩士論文　論文類型：學位論文

【摘要】：目標跟蹤適用于我們生活中的方方面面,同時在工業(yè)生產中也扮演了相當緊要的角色。目標跟蹤的目的在于通過視頻序列不間斷的定位到目標的當前位置,而難點在于跟蹤過程中目標姿態(tài)、背景的不斷變化、以及目標被遮擋等問題。本文主要探究將光流法應用到目標跟蹤框架中的課題。光流法是目標跟蹤中的一類重要算法,同時也是一種利用光流方程求解目標在圖像平面上運動參數的方法。由于光流方程約束條件不足,許多基于其他假設的光流法被提了出來。本文對光流法進行了深入分析,采用了最為廣泛的金字塔LK光流法為基礎,發(fā)現了幾點待優(yōu)化之處,并提出相應的解決策略,論文主要工作如下:(1)闡述了光流法目標跟蹤的定義和基本框架,指出光流法的理論基礎是光流方程,并且可以分為稠密光流和稀疏光流兩類方法。表明了本文采用的是基于特征點匹配的稀疏光流法,梳理了常用的特征點和光流法的原理與不足。介紹了常用的兩種性能較好的光流法,同時對比了這兩種光流法各自的優(yōu)點與不足,說明了進一步優(yōu)化相關算法的必要性。(2)針對光流匹配在遮擋時出錯、LK光流法在背景和拍攝設備同時運動的復雜動態(tài)背景下目標與背景特征點難以區(qū)分等問題,結合目標跟蹤框架的特點,給出了一種利用Kalman預估器和LK特征點光流信息的優(yōu)化跟蹤算法。首先利用光流信息定義了狀態(tài)向量來篩選目標特征點;之后為了提高光流法在遮擋時的匹配精度,結合了Kalman預估器來實行優(yōu)化。實驗證明,優(yōu)化算法在緩慢或者快速移動運動場景中的性能均表現良好,并且確保了有遮擋時跟蹤精度不會降低。(3)針對基于SVM內核的SVT跟蹤算法的得分不能夠區(qū)分臨近的同類干擾物、光流法和SVT跟蹤算法對遮擋情況非常敏感的問題,給出了結合光流方程與SVT的改進方案。首先利用光流方程和SVT建立超定方程,求解得到的運動參數對同類干擾物具有魯棒性,同時利用Kalman預估算法對運動參數進行估計,確保遮擋情況下訓練器得分不會偏低。實驗結果表明,在對道路上的車輛跟蹤時,改進方法能夠避免目標附近其他車輛的干擾,同時能夠有效地提高目標車輛在部分遮擋時的跟蹤精度。
[Abstract]:Target tracking is suitable for every aspect of our life and plays a very important role in industrial production. The goal of target tracking is to locate the current position of the target continuously through video sequences. The difficulty lies in the change of target attitude and background in the tracking process. This paper mainly discusses the application of optical flow method to target tracking framework. Optical flow method is an important algorithm in target tracking. At the same time, it is also a method to solve the motion parameters of the target in the image plane by using the optical flow equation, because the constraint condition of the optical flow equation is insufficient. Many optical flow methods based on other hypotheses have been proposed. In this paper, the optical flow method is deeply analyzed, and the most widely used pyramid LK optical flow method is used as the basis, and several points for optimization are found. The main work of this paper is as follows: 1) the definition and basic framework of the optical flow method for target tracking are expounded, and the theoretical basis of the optical flow method is the optical flow equation. And it can be divided into dense optical flow and sparse optical flow, which shows that this method is based on feature point matching. The principles and shortcomings of the characteristic points and optical flow methods are summarized. Two optical flow methods with good performance are introduced, and the advantages and disadvantages of the two optical flow methods are compared. It explains the necessity of further optimizing the correlation algorithm. 2) aiming at the error of optical flow matching in occlusion. The LK optical flow method is difficult to distinguish between the target and the background feature points in the complex dynamic background in which the background and the shooting equipment are moving simultaneously, which combines the characteristics of the target tracking framework. An optimal tracking algorithm based on Kalman predictor and LK feature point optical flow information is presented. Firstly, the state vector is defined to filter the target feature points. After that, in order to improve the matching accuracy of optical flow method in occlusion, the Kalman predictor is used to optimize. The experimental results show that the optimization algorithm performs well in slow or fast moving scenes. And it ensures that the tracking accuracy will not be reduced when there is occlusion.) the score of SVT tracking algorithm based on SVM kernel can not distinguish the adjacent interference. Optical flow method and SVT tracking algorithm are very sensitive to occlusion. An improved scheme combining optical flow equation with SVT is presented. Firstly, the overdetermined equation is established by using optical flow equation and SVT. The obtained motion parameters are robust to the same kind of interference, and the motion parameters are estimated by using Kalman estimation algorithm to ensure that the score of the trainer is not low under occlusion. The experimental results show that. When tracking vehicles on the road, the improved method can avoid the interference of other vehicles near the target and improve the tracking accuracy of the vehicle in partial occlusion.
【學位授予單位】：江西理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關期刊論文 前10條

1 王秉;王子衡;;非高斯噪聲背景下計算機視覺目標跟蹤方法[J];華僑大學學報(自然科學版);2016年06期

2 魏全祿;老松楊;白亮;;基于相關濾波器的視覺目標跟蹤綜述[J];計算機科學;2016年11期

3 彭端;;基于點對矢量場的動態(tài)背景下運動目標跟蹤算法研究[J];現代計算機(專業(yè)版);2016年30期

4 王華;王倩;顧鑫;李瀟;曹建文;夏耘;;基于雙向稀疏光流融合的小目標檢測方法[J];電視技術;2016年03期

5 趙曉健;曾曉勤;;基于稠密光流軌跡和稀疏編碼算法的行為識別方法[J];計算機應用;2016年01期

6 于明;;基于嵌入式系統(tǒng)的運動目標跟蹤視頻監(jiān)控系統(tǒng)的設計[J];自動化與儀器儀表;2015年12期

7 喻津;周浩杰;柴志雷;;一種基于眾核架構的稠密光流并行計算方法[J];計算機工程與應用;2016年16期

8 李靜宇;劉艷瀅;田睿;王延杰;姜瑞凱;;視頻監(jiān)控系統(tǒng)中的概率模型單目標跟蹤框架[J];光學精密工程;2015年07期

9 許慧芳;許亞軍;;智能視頻監(jiān)控系統(tǒng)中運動目標跟蹤的研究[J];電視技術;2014年19期

10 王棟;朱虹;康凱;趙永飛;;基于背景補償引導的動態(tài)場景下目標跟蹤算法[J];儀器儀表學報;2014年06期

相關博士學位論文 前3條

1 賀文驊;基于計算機視覺的復雜場景下目標跟蹤研究[D];西安電子科技大學;2015年

2 崔雨勇;智能交通監(jiān)控中運動目標檢測與跟蹤算法研究[D];華中科技大學;2012年

3 李崢;智能視頻監(jiān)控中的遮擋目標跟蹤技術研究[D];華中科技大學;2008年

相關碩士學位論文 前9條

1 黃中杰;基于稠密光流軌跡的人體行為識別研究[D];東北大學;2014年

2 陳佩珩;復雜背景下動態(tài)目標跟蹤技術研究[D];中北大學;2013年

3 趙建;基于三幀差法的運動目標檢測方法研究[D];西安電子科技大學;2013年

4 丁尤蓉;基于特征點的目標跟蹤算法研究[D];南京航空航天大學;2013年

5 韓鈞宇;基于稀疏模型的高精度光流估計方法研究[D];西安電子科技大學;2012年

6 張鐘漢;各向異性的微分光流和匹配光流算法[D];西安電子科技大學;2011年

7 劉濤;基于光流場的視頻車輛檢測與跟蹤算法研究與應用[D];武漢科技大學;2011年

8 胡鵬;Kalman濾波在視頻目標跟蹤中的應用研究[D];重慶大學;2010年

9 付向南;靜止背景下運動目標跟蹤算法分析比較[D];吉林大學;2008年

，

本文編號：1492079