本文選題：視頻目標(biāo)跟蹤 + Camshift��； 參考：《江南大學(xué)》2017年碩士論文

【摘要】：作為計(jì)算機(jī)領(lǐng)域的一個(gè)重要研究課題,視頻目標(biāo)跟蹤技術(shù)在軍事、監(jiān)控、汽車導(dǎo)航以及醫(yī)療領(lǐng)域等方面有非常廣闊的發(fā)展前景。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,計(jì)算機(jī)的功能不斷得到強(qiáng)化,為了使計(jì)算機(jī)能模擬人類視覺(jué)神經(jīng)系統(tǒng)的運(yùn)動(dòng)功能,視頻目標(biāo)跟蹤技術(shù)應(yīng)運(yùn)而生。近年來(lái),大量的研究學(xué)者對(duì)視頻目標(biāo)跟蹤技術(shù)進(jìn)行了深入研究,并提出了許多新穎的理論和相關(guān)跟蹤算法。但是,由于存在雜亂背景、局部遮擋、光照變化以及運(yùn)動(dòng)模糊等因素的干擾,視頻目標(biāo)跟蹤技術(shù)依然存在很多問(wèn)題。因此開(kāi)發(fā)出具有高魯棒性、高準(zhǔn)確性以及實(shí)用性的視頻目標(biāo)跟蹤算法仍然面臨著挑戰(zhàn),并且具有廣闊的研究前景和實(shí)用價(jià)值。本文在研究經(jīng)典視頻目標(biāo)跟蹤算法的基礎(chǔ)上,結(jié)合數(shù)據(jù)挖掘領(lǐng)域的知識(shí),提出三個(gè)改進(jìn)算法用于提高跟蹤算法的跟蹤性能。(1)為了提高傳統(tǒng)Camshift算法在視頻跟蹤中的魯棒性,提出一種基于黑洞原理和Camshift算法的跟蹤算法,該算法利用黑洞原理對(duì)視頻序列的特征顏色分量權(quán)值進(jìn)行選擇,根據(jù)最優(yōu)顏色分量權(quán)重重構(gòu)圖像,將重構(gòu)圖像轉(zhuǎn)化到HSV空間,計(jì)算HSV空間中H分量的顏色概率圖,利用顏色概率圖的一階矩以及零階矩得到目標(biāo)的中心,從而提高跟蹤算法的精度。(2)針對(duì)目標(biāo)跟蹤過(guò)程中目標(biāo)物體的外觀變化影響,提高目標(biāo)跟蹤的魯棒性,提出一種改進(jìn)的稀疏外觀模型目標(biāo)跟蹤算法,該算法通過(guò)從目標(biāo)模板幾何中選取主要目標(biāo)模板來(lái)降低目標(biāo)模板數(shù)量。算法首先通過(guò)學(xué)習(xí)分類器得到目標(biāo)特征,然后用黑洞原理獲取的模板字典表示目標(biāo),采用高斯分布運(yùn)動(dòng)模型獲取目標(biāo)樣本,在貝葉斯框架下根據(jù)觀測(cè)模型獲取最優(yōu)目標(biāo)位置實(shí)現(xiàn)跟蹤。(3)為了提高遮擋情況下目標(biāo)跟蹤的精度,提出一種基于主成分分析的目標(biāo)跟蹤算法,該算法利用主成分分析對(duì)目標(biāo)模板進(jìn)行更新,并對(duì)目標(biāo)模板進(jìn)行優(yōu)化處理,減少模板數(shù)量,提高跟蹤的精度和減少計(jì)算量。
[Abstract]:As an important research topic in the field of computer, video target tracking technology has a very broad prospect in military, surveillance, vehicle navigation and medical field. With the development of computer technology, the function of computer has been strengthened constantly. In order to make the computer simulate the motion function of human visual nervous system, video target tracking technology emerges as the times require. In recent years, a large number of researchers have carried out in-depth research on video target tracking technology, and put forward many novel theories and related tracking algorithms. However, due to the interference of clutter background, local occlusion, illumination change and motion blur, there are still many problems in video target tracking technology. Therefore, the development of video target tracking algorithm with high robustness, high accuracy and practicability still faces challenges, and has broad research prospects and practical value. Based on the research of classical video target tracking algorithm and the knowledge of data mining, this paper proposes three improved algorithms to improve the tracking performance of the tracking algorithm. In order to improve the robustness of the traditional Camshift algorithm in video tracking, this paper proposes three improved algorithms to improve the tracking performance of the tracking algorithm. A tracking algorithm based on black hole principle and Camshift algorithm is proposed. The black hole principle is used to select the weights of feature color components of video sequences. According to the optimal weight of color components, the reconstructed image is reconstructed and transformed into HSV space. The color probability map of H component in HSV space is calculated. The center of the target is obtained by using the first-order moment and the zero-order moment of the color probability map, so as to improve the accuracy of the tracking algorithm. To improve the robustness of target tracking, an improved sparse appearance model target tracking algorithm is proposed. The algorithm reduces the number of target templates by selecting the main target template from the geometry of the target template. Firstly, the target feature is obtained by learning classifier, then the target is represented by the template dictionary obtained by the black hole principle, and the target sample is obtained by using the Gao Si distributed motion model. In order to improve the accuracy of target tracking under occlusion, a tracking algorithm based on principal component analysis (PCA) is proposed. The algorithm uses principal component analysis to update the target template, and optimizes the target template to reduce the number of templates, improve the tracking accuracy and reduce the amount of calculation.
【學(xué)位授予單位】：江南大學(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 黨建武,黃建國(guó);水下多目標(biāo)跟蹤技術(shù)[J];探測(cè)與控制學(xué)報(bào);2003年01期

2 馬家駒;;漫談視頻目標(biāo)跟蹤技術(shù)[J];焦作大學(xué)學(xué)報(bào);2013年04期

3 周宏仁;多目標(biāo)跟蹤技術(shù)綜述[J];航空學(xué)報(bào);1986年01期

4 楊威;付耀文;龍建乾;黎湘;;基于有限集統(tǒng)計(jì)學(xué)理論的目標(biāo)跟蹤技術(shù)研究綜述[J];電子學(xué)報(bào);2012年07期

5 張以杰;;多站多目標(biāo)跟蹤技術(shù)的發(fā)展和存在的問(wèn)題[J];西安電子科技大學(xué)學(xué)報(bào);1988年03期

6 齊美彬;張莉;蔣建國(guó);吳暉;;分塊跟蹤中的目標(biāo)模板更新方法[J];中國(guó)圖象圖形學(xué)報(bào);2011年06期

7 高浩軍,杜宇人;目標(biāo)跟蹤技術(shù)及應(yīng)用前景[J];現(xiàn)代電子技術(shù);2004年24期

8 徐曼;;基于在線多示例學(xué)習(xí)的目標(biāo)跟蹤[J];上海電力學(xué)院學(xué)報(bào);2011年01期

9 鄭猛;;紅外多目標(biāo)跟蹤技術(shù)研究[J];科技創(chuàng)業(yè)月刊;2012年11期

10 章飛;孫睿;;水下多目標(biāo)跟蹤技術(shù)綜述[J];中外船舶科技;2012年03期

相關(guān)會(huì)議論文 前2條

1 索繼東;柳曉鳴;張潤(rùn)澤;;雷達(dá)目標(biāo)跟蹤技術(shù)發(fā)展評(píng)述[A];船舶通信與導(dǎo)航（1995）[C];1995年

2 王強(qiáng);;圖像目標(biāo)跟蹤技術(shù)綜述[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議專刊[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 夏穎;WLAN室內(nèi)半監(jiān)督定位及指紋更新算法研究[D];哈爾濱工業(yè)大學(xué);2016年

2 朱素果;運(yùn)動(dòng)目標(biāo)的跨尺度檢測(cè)與跟蹤方法研究[D];北京郵電大學(xué);2016年

3 戴震龍;幾類問(wèn)題基于自然邊界歸化的算法研究[D];南京師范大學(xué);2017年

4 申璐榕;成像導(dǎo)引頭地面目標(biāo)跟蹤技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

5 楊明冬;空間非合作面目標(biāo)跟蹤技術(shù)研究[D];中國(guó)科學(xué)院研究生院(上海技術(shù)物理研究所);2015年

6 田澍;基于檢測(cè)與跟蹤互反饋的多目標(biāo)跟蹤技術(shù)及應(yīng)用研究[D];北京科技大學(xué);2016年

7 史永亮;自適應(yīng)基因算法在表面界面問(wèn)題的應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

8 高文;機(jī)載光電平臺(tái)目標(biāo)跟蹤技術(shù)的研究[D];中國(guó)科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所）;2012年

9 宋策;基于粒子濾波的目標(biāo)跟蹤技術(shù)研究[D];中國(guó)科學(xué)院研究生院(長(zhǎng)春光學(xué)精密機(jī)械與物理研究所);2014年

10 盧曉鵬;視頻序列中目標(biāo)跟蹤技術(shù)研究[D];中國(guó)科學(xué)院研究生院（電子學(xué)研究所）;2007年

相關(guān)碩士學(xué)位論文 前10條

1 高曉儉;視頻目標(biāo)跟蹤改進(jìn)算法的研究[D];江南大學(xué);2017年

2 葉曉平;高階多模型狀態(tài)估計(jì)算法及應(yīng)用[D];哈爾濱工業(yè)大學(xué);2017年

3 韋陽(yáng)陽(yáng);兩類廣義多乘積規(guī)劃問(wèn)題的優(yōu)化算法[D];河南師范大學(xué);2017年

4 李曉萍;有約束條件優(yōu)化問(wèn)題的MM算法[D];蘭州大學(xué);2017年

5 張亞男;基于混合聚類算法的微博熱點(diǎn)話題發(fā)現(xiàn)的研究[D];杭州電子科技大學(xué);2017年

6 鄒柯;無(wú)線傳感器網(wǎng)絡(luò)定位算法及其安全研究[D];杭州電子科技大學(xué);2017年

7 張曉丹;WSN中基于改進(jìn)粒子群優(yōu)化算法的分簇拓?fù)渌惴ㄑ芯縖D];鄭州大學(xué);2017年

8 杜仲平;基于嵌入式的嬰兒哭聲報(bào)警算法研究[D];天津大學(xué);2016年

9 孫佳男;視覺(jué)跟蹤檢測(cè)算法及其應(yīng)用研究[D];江南大學(xué);2017年

10 于暢;基于車載攝像頭的道路行人檢測(cè)算法研究[D];哈爾濱工業(yè)大學(xué);2017年

，

本文編號(hào)：1986053