本文選題：目標(biāo)跟蹤 + 相關(guān)濾波�。� 參考：《華僑大學(xué)》2017年碩士論文

【摘要】：目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域里富有挑戰(zhàn)性的基礎(chǔ)研究課題,已被應(yīng)用于視頻監(jiān)控,機(jī)器人導(dǎo)航和人機(jī)交互等領(lǐng)域。在第一幀中給定目標(biāo)物體初始狀態(tài),跟蹤算法的任務(wù)是在后續(xù)視頻中估計(jì)目標(biāo)的狀態(tài)。近來,隨著深度學(xué)習(xí)、相關(guān)濾波、似物性采樣以及經(jīng)典機(jī)器學(xué)習(xí)方法的快速發(fā)展,一系列性能優(yōu)越的跟蹤算法相繼被提出。然而,設(shè)計(jì)一個(gè)實(shí)時(shí)的、魯棒的和準(zhǔn)確的跟蹤器仍然是一個(gè)難題。主要是因?yàn)榇嬖谝韵聨讉�(gè)關(guān)鍵問題:(1)模型復(fù)雜性和跟蹤實(shí)時(shí)性問題。因?yàn)楦檶?duì)實(shí)時(shí)性要求高,現(xiàn)有跟蹤器很難在探索更復(fù)雜的模型和保持它們的計(jì)算量盡可能小兩者之間找到一個(gè)平衡點(diǎn)。(2)模型更新引起的漂移問題。在模型更新階段會(huì)遇到在線訓(xùn)練樣本不足或者自學(xué)習(xí)引入有噪聲樣本的情況,進(jìn)而引起目標(biāo)漂移。(3)遮擋或物體移出視線造成跟蹤失敗的問題。跟蹤器可能丟失目標(biāo),通常采取滑動(dòng)窗進(jìn)行蠻力搜索的策略尋找目標(biāo),也不能有效地重新找回目標(biāo),不同跟蹤器嘗試從多方面尋找解決方案解決上述問題,其中基于核化相關(guān)濾波器的跟蹤算法(Kernelized Correlation Filters,簡(jiǎn)稱KCF)引起廣泛關(guān)注,因?yàn)樗醚h(huán)矩陣的屬性理論上分析產(chǎn)生許多虛擬樣本,而實(shí)際上并沒有增加模型復(fù)雜度,同時(shí)使用核方法和快速傅里葉變換加快運(yùn)行時(shí)間。本文在KCF研究成果的基礎(chǔ)上提出了一些有效的改進(jìn)工作,主要研究?jī)?nèi)容概括如下:(1)不同于傳統(tǒng)KCF每次僅采用單層單個(gè)核函數(shù),本文提出一種在線協(xié)作訓(xùn)練的多層多核相關(guān)濾波器跟蹤算法(MLMKCF)。首先,本算法將KCF單層核函數(shù)結(jié)構(gòu)擴(kuò)展到多層多核函數(shù)結(jié)構(gòu),利用層次結(jié)構(gòu)來豐富目標(biāo)表觀模型。其次,提出一種有效的梯度下降法來求解核函數(shù)的權(quán)重。接著,利用兩種互補(bǔ)的特征分別建立目標(biāo)模型,兩個(gè)模型在線協(xié)作更新并且使用多視角相關(guān)響應(yīng)值動(dòng)態(tài)融合。最后,在標(biāo)注數(shù)據(jù)集(OTB-50)實(shí)驗(yàn)表明,本算法具有較好的準(zhǔn)確性和魯棒性。(2)由于目標(biāo)在長(zhǎng)時(shí)間跟蹤過中存在物體遮擋、相似物體干擾和和從視野消失等問題,KCF一旦跟蹤失敗無法重新定位目標(biāo),本文提出一種基于似物性采樣和核化相關(guān)濾波器的跟蹤算法(MKCFDP)。本算法利用似物性采樣方法替代傳統(tǒng)的滑動(dòng)窗檢測(cè)方法,將跟蹤任務(wù)被分解成跟蹤和檢測(cè)兩個(gè)模塊。跟蹤模塊一方面建立多層多核相關(guān)濾波器進(jìn)行位置預(yù)測(cè);另外一方面使用尺度“金字塔”估計(jì)尺度變化。檢測(cè)模塊是訓(xùn)練一個(gè)在線支持向量機(jī)(SVM)和它的歷史更新存儲(chǔ)共同組成的多專家分類器組進(jìn)行重定位。當(dāng)峰值旁瓣比(PSR)低于閾值時(shí)激活檢測(cè)器,根據(jù)熵最小化準(zhǔn)則選取當(dāng)前最可信的分類器,對(duì)似物性采樣方法Edgebox產(chǎn)生的粒子重新排序找出目標(biāo)。將搜索區(qū)域集中在邊緣突出的圖像區(qū)域可以選取更有可能包含目標(biāo)的候選框,優(yōu)于蠻力搜索的方法。在OTB-50上的實(shí)驗(yàn)結(jié)果表明,本算法在效率、準(zhǔn)確性和魯棒性表現(xiàn)較好。
[Abstract]:Target tracking is a challenging basic research topic in the field of computer vision, which has been applied to video surveillance, robot navigation and human-computer interaction. Given the initial state of the target object in the first frame, the task of the tracking algorithm is to estimate the state of the target in the subsequent video. Recently, with the rapid development of deep learning, correlation filtering, physical property sampling and classical machine learning, a series of excellent tracking algorithms have been proposed. However, designing a real-time, robust and accurate tracker remains a challenge. This is mainly due to the following key problems: 1) model complexity and tracking real-time problems. Because of the high requirement of real-time tracking, it is difficult for the existing tracker to find a balance point between exploring more complex models and keeping their computational complexity as small as possible. In the updating stage of the model, the problem of insufficient training samples on line or the introduction of noisy samples from self-learning will lead to the problem of target drift. 3) occlusion or object moving out of line of sight, which results in the tracking failure. The tracker may lose the target, usually using the sliding window to carry out brute force search strategy to find the target, also can not effectively retrieve the target, different trackers try to find a solution from many aspects to solve the above problem. Kernelized Correlation filters (KCFs), a tracking algorithm based on Kernelized Correlation filters (KCFs), has attracted wide attention, because it makes use of the attributes of the cyclic matrix to generate many virtual samples in theory, but in practice it does not increase the complexity of the model. The kernel method and fast Fourier transform are used to speed up the running time. Based on the research results of KCF, some effective improvements are proposed in this paper. The main research contents are summarized as follows: (1) different from the traditional KCF, it only uses single layer single kernel function at a time. In this paper, a multi-layer multi-core correlation filter tracking algorithm based on online cooperative training is proposed. Firstly, the KCF single-layer kernel function structure is extended to the multi-layer multi-kernel function structure, and the hierarchical structure is used to enrich the target model. Secondly, an effective gradient descent method is proposed to calculate the weight of kernel function. Then, the two complementary features are used to establish the target model, the two models are updated online and the multi-view correlation response value is dynamically fused. Finally, OTB-50) experiments show that the proposed algorithm has good accuracy and robustness. Similar object interference and disappearing from the field of vision, KCF can not relocate the target once the tracking fails. In this paper, a tracking algorithm based on quasi-physical sampling and Kernel correlation filter is proposed. Instead of the traditional sliding window detection method, the tracking task is decomposed into two modules: tracking and detection. On the one hand, the tracking module establishes a multi-layer multi-core correlation filter to predict the location; on the other hand, the scale "pyramid" is used to estimate the scale change. The detection module is to train an online support vector machine (SVM) and its history update storage to make up of multiple expert classifier groups to relocate. When the peak sidelobe ratio (PSRs) is lower than the threshold, the most reliable classifier is selected according to the entropy minimization criterion, and the target is found out by reordering the particles produced by the similar physical property sampling method (Edgebox). Focusing the search area on the image region with prominent edges can select the more likely candidates to include the target, which is better than the brute force search method. Experimental results on OTB-50 show that the proposed algorithm performs well in efficiency, accuracy and robustness.
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;網(wǎng)絡(luò)、濾波、濾波器[J];電子科技文摘;2000年10期

2 郭漢偉,梁甸農(nóng);鏡像濾波器收斂到小波的條件及小波的構(gòu)造[J];信號(hào)處理;2001年01期

3 張婉;去塊效應(yīng)濾波器的結(jié)構(gòu)設(shè)計(jì)[J];世界電子元器件;2005年08期

4 高廣春,姚慶棟;先更新后預(yù)測(cè)的提升格式濾波器的設(shè)計(jì)[J];電路與系統(tǒng)學(xué)報(bào);2005年05期

5 張良儀;吳敏金;;零譜矩濾波器系列[J];中國(guó)圖象圖形學(xué)報(bào);2005年11期

6 侯宇;;正交復(fù)濾波器與小波的數(shù)值構(gòu)造[J];中國(guó)計(jì)量學(xué)院學(xué)報(bào);2008年03期

7 鄒楊;林平分;王普;方穗明;;802.11發(fā)送接收上采樣濾波器的實(shí)現(xiàn)[J];微處理機(jī);2008年03期

8 劉卜源;張淼;李紀(jì)紅;趙玲;沈虹;;半帶濾波器的仿真[J];信息技術(shù);2011年05期

9 李晶;吳曉波;趙津晨;;一種面積優(yōu)化的內(nèi)插濾波器的設(shè)計(jì)及實(shí)現(xiàn)[J];機(jī)電工程;2011年07期

10 余靜;吳樂南;靳一;;基于量子粒子群優(yōu)化的數(shù)字沖擊濾波器自動(dòng)設(shè)計(jì)[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

相關(guān)會(huì)議論文 前10條

1 陳佳路;程曉斌;李曉東;田靜;;一種濾波器部分更新的自適應(yīng)回聲抵消算法[A];中國(guó)聲學(xué)學(xué)會(huì)2005年青年學(xué)術(shù)會(huì)議[CYCA'05]論文集[C];2005年

2 楊濤;何培宇;;多路聲回波對(duì)消中一種改進(jìn)的互斥最大化濾波器系數(shù)選擇方法[A];全國(guó)第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

3 嚴(yán)成;;An Improved Implementation Approach of a Polyphase Filter With Symmetric Taps[A];2006通信理論與技術(shù)新進(jìn)展——第十一屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集[C];2006年

4 徐正國(guó);黃清;;失配濾波器在多徑信道估計(jì)中的應(yīng)用[A];2005年全國(guó)超寬帶無線通信技術(shù)學(xué)術(shù)會(huì)議論文集[C];2005年

5 袁強(qiáng);余江濤;;基函數(shù)法設(shè)計(jì)重采樣濾波器[A];中國(guó)通信學(xué)會(huì)第五屆學(xué)術(shù)年會(huì)論文集[C];2008年

6 李義府;;FIR濾波器算法與程序設(shè)計(jì)方法研究[A];第十五屆電工理論學(xué)術(shù)年會(huì)論文集[C];2003年

7 劉翔;李哲英;;FIR濾波器的速度優(yōu)化方法研究[A];全國(guó)第十屆信號(hào)與信息處理、第四屆DSP應(yīng)用技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

8 朱德智;閆馮軍;;基于Z域的時(shí)變加權(quán)參差MTI濾波器的設(shè)計(jì)[A];2009通信理論與技術(shù)新發(fā)展——第十四屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集[C];2009年

9 王喬;崔麗;;小波分析中一類濾波器的構(gòu)造[A];第六屆全國(guó)幾何設(shè)計(jì)與計(jì)算學(xué)術(shù)會(huì)議論文集[C];2013年

10 錢靜;酆廣增;;CDMA系統(tǒng)中聯(lián)合時(shí)空濾波器的結(jié)構(gòu)與性能[A];中國(guó)電子學(xué)會(huì)第七屆學(xué)術(shù)年會(huì)論文集[C];2001年

相關(guān)博士學(xué)位論文 前8條

1 吳塵;低復(fù)雜度數(shù)字濾波器的設(shè)計(jì)理論的研究[D];東南大學(xué);2015年

2 張浩;表面計(jì)量學(xué)中樣條濾波器理論的研究[D];哈爾濱工業(yè)大學(xué);2010年

3 周良;開環(huán)諧振器在濾波器及天線中的應(yīng)用研究[D];南京航空航天大學(xué);2011年

4 郭迎春;純二維提升小波構(gòu)造及其在圖像壓縮中的應(yīng)用[D];天津大學(xué);2005年

5 龔劬;小波的設(shè)計(jì)與圖像壓縮新方法研究[D];重慶大學(xué);2002年

6 王少杰;高壓混合型有源電力濾波器關(guān)鍵技術(shù)在工業(yè)中的應(yīng)用研究[D];湖南大學(xué);2012年

7 魏瑩;廣義正交變換域下系統(tǒng)辨識(shí)的自適應(yīng)算法[D];哈爾濱工業(yè)大學(xué);2017年

8 吳笑峰;高精度sigma-delta ADC的研究與設(shè)計(jì)[D];西安電子科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 王晶;測(cè)力輪對(duì)頻域修正濾波器研究[D];西南交通大學(xué);2015年

2 田晶晶;基于快速卷積算法的低復(fù)雜度并行FIR濾波器的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

3 張存;寬帶多通道相位延時(shí)測(cè)量與校正技術(shù)研究[D];電子科技大學(xué);2015年

4 鄧廷廷;具有正交特性的拉氏金字塔濾波器設(shè)計(jì)[D];西安電子科技大學(xué);2014年

5 朱效效;基于優(yōu)化DA算法的高階濾波器的設(shè)計(jì)及其FPGA實(shí)現(xiàn)[D];安徽理工大學(xué);2016年

6 簡(jiǎn)雪幸;寬帶預(yù)失真網(wǎng)絡(luò)設(shè)計(jì)[D];電子科技大學(xué);2016年

7 計(jì)前程;基于支持向量機(jī)的濾波器設(shè)計(jì)及硬件實(shí)現(xiàn)[D];浙江大學(xué);2017年

8 馮天倫;Filtered-OFDM系統(tǒng)中的鏈路子帶濾波器設(shè)計(jì)[D];海南大學(xué);2017年

9 謝偉;數(shù)字自適應(yīng)外差濾波器技術(shù)研究[D];重慶大學(xué);2003年

10 謝佳峰;有限脈沖響應(yīng)濾波器的設(shè)計(jì)與實(shí)現(xiàn)[D];中南大學(xué);2010年

，

本文編號(hào)：1871239