本文選題：機(jī)器視覺　切入點：目標(biāo)跟蹤　出處：《青島科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：機(jī)器視覺技術(shù)是近年來的研究熱點,它是用機(jī)器替代人眼對目標(biāo)進(jìn)行檢測識別和判斷,而目標(biāo)跟蹤作為機(jī)器視覺領(lǐng)域的核心問題,已經(jīng)廣泛應(yīng)用到軍事類導(dǎo)航、智能交通管制、工業(yè)檢測、醫(yī)療科學(xué)診斷以及公共生活安全等領(lǐng)域。盡管到目前為止人們已經(jīng)提出了許多有效的目標(biāo)跟蹤算法,但是這些算法基本上都具有一定的針對性,即針對某一方面(高速移動、遮擋、目標(biāo)變形等)提出相應(yīng)的解決方案,并且大多數(shù)目標(biāo)跟蹤算法復(fù)雜度高,實時性低,容易發(fā)生跟蹤丟失、抖動等現(xiàn)象,要開發(fā)出真正魯棒、實用的跟蹤應(yīng)用系統(tǒng)還需要解決大量的問題。本文以智能嬰兒車為研究平臺,構(gòu)建了基于機(jī)器視覺的嵌入式移動目標(biāo)跟蹤系統(tǒng),并對所應(yīng)用的跟蹤算法進(jìn)行深入的研究與分析。論文的主要研究內(nèi)容及成果如下:1.對TLD目標(biāo)跟蹤算法進(jìn)行了深入的分析研究,該算法將傳統(tǒng)的跟蹤算法和檢測算法相結(jié)合,當(dāng)目標(biāo)消失后具有良好的重檢測能力,并通過一種在線學(xué)習(xí)機(jī)制對跟蹤結(jié)果以及檢測結(jié)果的錯誤進(jìn)行糾正,以不斷提升分類器的性能,最終輸出較準(zhǔn)確的跟蹤目標(biāo)框,因此該算法具有良好的魯棒性。但是通過對TLD算法中各模塊的詳細(xì)分析可知,跟蹤模塊對光照強(qiáng)度和遮擋等干擾比較敏感從而會影響算法的跟蹤性能;檢測模塊需要掃描整個視頻幀,并且掃描窗口需要依次通過方差分類器、集合分類器以及最近鄰分類器才能檢測到所要跟蹤的目標(biāo)的位置,這樣就使算法的實時性下降。2.針對TLD目標(biāo)跟蹤算法實時性低的不足,提出使用基于壓縮感知理論的檢測模塊對TLD跟蹤算法進(jìn)行改進(jìn),替代TLD跟蹤算法中的級聯(lián)分類器,以提高算法的實時性。文章根據(jù)壓縮感知理論的思想基礎(chǔ)對其基本原理進(jìn)行了詳細(xì)的分析研究,并通過詳細(xì)分析運用測量矩陣對目標(biāo)的Haar-like特征進(jìn)行提取以及利用樸素貝葉斯分類器對目標(biāo)和背景進(jìn)行分類,證明了使用壓縮感知檢測機(jī)制對目標(biāo)進(jìn)行檢測的可行性,同時證明了基于壓縮感知理論的檢測模塊對目標(biāo)的檢測具有較高的實時性,從而使得將壓縮感知檢測模塊用于TLD跟蹤算法后在保證跟蹤結(jié)果的精度以及魯棒性的同時提高了算法的實時性。3.以智能嬰兒車為載體設(shè)計了基于機(jī)器視覺的嵌入式移動目標(biāo)跟蹤系統(tǒng),并將對TLD的改進(jìn)算法應(yīng)用到該系統(tǒng)中以實現(xiàn)嬰兒車對所設(shè)定移動目標(biāo)的實時跟蹤,最后將改進(jìn)算法的實驗結(jié)果與原算法的實驗結(jié)果進(jìn)行比較分析,結(jié)論表明改進(jìn)后的跟蹤算法實時性更好,魯棒性更高。
[Abstract]:Machine vision technology is a hot research topic in recent years. It uses machine instead of human eyes to detect and judge targets. As a core problem in machine vision field, target tracking has been widely used in military navigation and intelligent traffic control. Industrial detection, medical science diagnosis, public life safety and so on. Although many effective target tracking algorithms have been proposed so far, but these algorithms are basically targeted. That is to put forward the corresponding solution for a certain aspect (high-speed movement, occlusion, target deformation, etc.), and most target tracking algorithms have high complexity, low real-time, easy to occur tracking loss, jitter and other phenomena, to develop a real robust, The practical tracking application system also needs to solve a lot of problems. In this paper, an embedded moving target tracking system based on machine vision is built on the platform of intelligent stroller. The main contents and results of this paper are as follows: 1. The TLD target tracking algorithm is deeply studied, which combines the traditional tracking algorithm with the detection algorithm. When the target disappears, it has good re-detection ability, and corrects the tracking results and the errors of the detected results through an online learning mechanism, so as to continuously improve the performance of the classifier, and finally output a more accurate tracking target box. Therefore, the algorithm has good robustness. But through the detailed analysis of each module in the TLD algorithm, the tracking module is sensitive to the interference such as illumination intensity and occlusion, which will affect the tracking performance of the algorithm. The detection module needs to scan the whole video frame, and the scanning window needs to pass the variance classifier, the set classifier and the nearest neighbor classifier in order to detect the location of the target to be tracked. In view of the low real-time performance of TLD target tracking algorithm, an improved TLD tracking algorithm based on compression sensing theory is proposed to replace the cascade classifier in TLD tracking algorithm. In order to improve the real-time performance of the algorithm, this paper makes a detailed analysis and research on its basic principle according to the ideological basis of compression perception theory. Through the detailed analysis of using measurement matrix to extract the Haar-like feature of the target and using naive Bayesian classifier to classify the target and background, the feasibility of using compressed sensing detection mechanism to detect the target is proved. At the same time, it is proved that the detection module based on compressed sensing theory has high real-time performance for target detection. So that the compression sensing detection module can be used in TLD tracking algorithm to ensure the accuracy and robustness of the tracking results, while improving the real-time performance of the algorithm. 3. A machine vision based embedding based on intelligent baby carriages is designed. Type moving target tracking system, The improved algorithm of TLD is applied to the system to realize the real-time tracking of the moving target set by the baby carriage. Finally, the experimental results of the improved algorithm and the experimental results of the original algorithm are compared and analyzed. The results show that the improved tracking algorithm is better in real time and robust.
【學(xué)位授予單位】：青島科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 石武禎;寧紀(jì)鋒;顏永豐;;壓縮感知跟蹤中的特征選擇與目標(biāo)模型更新[J];中國圖象圖形學(xué)報;2014年06期

2 羅會蘭;鐘寶康;孔繁勝;;結(jié)合目標(biāo)預(yù)測位置的壓縮跟蹤[J];中國圖象圖形學(xué)報;2014年06期

3 權(quán)偉;陳錦雄;江永全;余南陽;;基于霍夫蕨的實時對象跟蹤方法[J];西南交通大學(xué)學(xué)報;2014年03期

4 江偉堅;郭躬德;;復(fù)雜環(huán)境下高效物體跟蹤級聯(lián)分類器[J];中國圖象圖形學(xué)報;2014年02期

5 黎萬義;王鵬;喬紅;;引入視覺注意機(jī)制的目標(biāo)跟蹤方法綜述[J];自動化學(xué)報;2014年04期

6 孫曉燕;常發(fā)亮;;梯度特征稀疏表示目標(biāo)跟蹤[J];光學(xué)精密工程;2013年12期

7 劉丹;竇勇;;基于光流和壓縮感知的目標(biāo)跟蹤[J];計算技術(shù)與自動化;2013年04期

8 王松林;項欣光;;基于壓縮感知的多特征加權(quán)目標(biāo)跟蹤算法[J];計算機(jī)應(yīng)用研究;2014年03期

9 周鑫;錢秋朦;葉永強(qiáng);王從慶;;改進(jìn)后的TLD視頻目標(biāo)跟蹤方法[J];中國圖象圖形學(xué)報;2013年09期

10 寧方立;何碧靜;韋娟;;基于l_p范數(shù)的壓縮感知圖像重建算法研究[J];物理學(xué)報;2013年17期

相關(guān)博士學(xué)位論文 前2條

1 蔣良衛(wèi);圖像序列中目標(biāo)跟蹤技術(shù)研究[D];華中科技大學(xué);2013年

2 姜明新;智能視頻監(jiān)控中的目標(biāo)跟蹤技術(shù)研究[D];大連理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前9條

1 汪蘭;基于稀疏表示和壓縮感知的目標(biāo)檢測與跟蹤研究[D];廈門大學(xué);2014年

2 龔小彪;基于TLD框架的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2014年

3 閆慶森;基于壓縮感知的視頻跟蹤算法研究[D];太原科技大學(xué);2014年

4 張帥領(lǐng);基于TLD的視頻目標(biāo)跟蹤算法的研究[D];西安電子科技大學(xué);2014年

5 王松林;基于壓縮感知的目標(biāo)跟蹤研究[D];南京理工大學(xué);2014年

6 江博;基于Kalman的TLD目標(biāo)跟蹤算法研究[D];西安科技大學(xué);2013年

7 劉丹;視頻目標(biāo)跟蹤中的均值偏移算法研究[D];大連理工大學(xué);2013年

8 李敏敏;基于TLD模型的目標(biāo)跟蹤方法[D];西安電子科技大學(xué);2013年

9 趙秋煥;兩種主動學(xué)習(xí)方法[D];河北大學(xué);2010年

，

本文編號：1613962