【摘要】：基于視覺的目標跟蹤是計算機視覺研究領域中的一個重要課題。目標跟蹤是對圖像序列中的目標進行檢測,提取特征、判斷、匹配、識別的過程,在該過程中我們可以獲得目標的運動參數(shù),例如位置、速度和加速度等信息,為做進一步的分析與理解提供幫助�；谀繕烁櫾谝曈X導航、人機交互、視頻監(jiān)控等未來智能領域的廣泛應用性,設計一個魯棒的視覺跟蹤算法在理論和實踐中具有重要意義。但是由于外部環(huán)境的復雜多變性及目標自身狀態(tài)的多樣性,使得設計一個通用、魯棒性質(zhì)的跟蹤算法始終是一個極富挑戰(zhàn)性的課題。為實現(xiàn)在光照變化、背景擾動、目標遮擋、尺度變化等復雜環(huán)境下的目標跟蹤,本文主要是對目標時空上下文信息利用以及復雜環(huán)境下的尺度變化進行研究。本文主要研究過程為:首先,針對基于時空上下文的目標快速跟蹤(STC)算法中無法對目標進行準確的尺度估計的缺陷進行優(yōu)化,提出新的基于時空上下文的目標多尺度跟蹤的算法(SASTC)。本文提出的算法借鑒基于相關濾波跟蹤的框架,在2維的目標跟蹤的原理基礎上進行1維的目標尺度的計算。本文算法將跟蹤過程分為兩個獨立的部分:跟蹤部分和尺度計算部分,尺度計算部分可以被任何跟蹤框架下的其它算法所借鑒和應用。其次,由于本文將跟蹤過程分為兩個相互獨立的部分,因此在每個獨立的部分都可以選擇不同的特征描述和特征計算方式對跟蹤過程進行訓練和測試。為了提高跟蹤的綜合性能,我們在位置估計部分采用常用特征圖像灰度值,在尺度估計部分采用PCA-HOG特征,不同特征的使用可以構造更完善、有效的目標外觀模型,增強算法的魯棒性。最后,在整體上對算法細節(jié)進行了優(yōu)化。一方面,在算法實現(xiàn)的過程中使用了圖像歸一化的處理方式,這種操作在沒有改變圖像的對比度的前提下,可以有效地減小由于光線不均勻?qū)δ繕藞D像造成的光照干擾。另一方面,在傅里葉變換之前對圖像加上一個具有低通濾波特性的漢明窗,以便濾掉圖像邊緣的高頻部分,減少圖像邊界的頻率效應。
【圖文】：

2.2.2 目標跟蹤系統(tǒng)的模塊運動流程一個追蹤系統(tǒng)如圖 2-1 的通常工作方式如下：首先，在第一幀，用給定的目標區(qū)域(一般是由用戶手動標記或者事先指定好目標區(qū)域坐標)初始化觀測模型(Observation Model)；然后，在接下來的每一幀中，運動模型(Motion Model)根據(jù)前一幀或幾幀的估計結果，計算出當前幀的目標候選區(qū)域；然后提取目標候選區(qū)域的特征，，并作為輸入傳遞給觀測模型，并計算得到的最大值所對應的候選區(qū)域作為目標當前幀的位置。最后在模型更新部分，算法會對觀測模型的輸出結果進行判斷，比如設置結果閾值，以此決定觀測模型是否需要更新，如果需要，則該部分根據(jù)設定的更新頻率和更新策略進行模型更新。最后，如果一個跟蹤系統(tǒng)是由多個跟蹤器組成(會產(chǎn)生多個相應的跟蹤結果值)，則在系統(tǒng)后處理(Ensemble Post-processor)部分，跟蹤系統(tǒng)需要將各個跟蹤器產(chǎn)生的預測結果綜合、融合成一個更加精確地預測作為結果輸出，即當前幀目標位置。

第 2 章 運動目標跟蹤算法理論基礎式的目標跟蹤算法型的引入，作一個通俗易懂的例子：假設現(xiàn)在特性來區(qū)分大象( y 1)和狗( y 0)。給定這樣一歸[33]會試圖找到一條直線也就是決策邊界，來區(qū)分，回歸模型會根據(jù)這個新樣本的特征計算出該得到相應的分類結果。上述例子通俗易懂的介本目的。一種建模方式：首先，根據(jù)訓練集中的大象樣集中的狗的樣本，可以構造出狗的模型。然后與大象模型和狗的模型分別進行匹配并計算出其流程如下圖 2-2。
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 高翔;;基于粒子濾波的目標跟蹤算法淺析[J];硅谷;2011年09期

2 金忠;一種多目標跟蹤算法[J];南京理工大學學報(自然科學版);1985年S1期

3 龔萍;張輝;毛征;張慶龍;孔文超;;融合局部熵二維熵的空中目標跟蹤算法研究[J];國外電子測量技術;2014年01期

4 馬奔,史忠科,皮燕妮;成像目標跟蹤算法分析[J];西安電子科技大學學報;2005年03期

5 孫中森;孫俊喜;宋建中;喬雙;;一種抗遮擋的運動目標跟蹤算法[J];光學精密工程;2007年02期

6 陳愛華;孟勃;朱明;王艷華;;多模式融合的目標跟蹤算法[J];光學精密工程;2009年01期

7 牛長鋒;劉玉樹;;融合多特征的粒子濾波目標跟蹤算法[J];華中科技大學學報(自然科學版);2010年01期

8 蔡榮太;吳元昊;王明佳;吳慶祥;;視頻目標跟蹤算法綜述[J];電視技術;2010年12期

9 佟國峰;蔣昭炎;谷久宏;龐曉磊;;基于隨機蕨叢的長期目標跟蹤算法[J];東北大學學報(自然科學版);2013年01期

10 曹曉麗;李明;邢玉娟;譚萍;;幾種自動目標跟蹤算法的比較研究[J];硅谷;2013年02期

相關會議論文 前10條

1 徐炳吉;;一種多站聯(lián)合目標跟蹤算法[A];數(shù)學及其應用文集——中南模糊數(shù)學和系統(tǒng)分會第三屆年會論文集（上卷）[C];1995年

2 杜方芳;劉士榮;邱雪娜;;一種改進的粒子濾波目標跟蹤算法[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

3 付曉薇;方康玲;李曦;;一種基于特征的多目標跟蹤算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

4 許偉村;趙清杰;;一種基于粒子濾波的多目標跟蹤算法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

5 李軍;張華;單梁;;一種基于Mean shift和粒子濾波的綜合目標跟蹤算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

6 肖敬若;胡伏原;鄭江濱;張艷寧;;一種有效的多目標跟蹤算法[A];第十二屆全國信號處理學術年會（CCSP-2005）論文集[C];2005年

7 鄭黎義;陳興無;王磊;李正東;;紅外/雷達雙傳感器融合目標跟蹤算法[A];中國工程物理研究院科技年報（2005）[C];2005年

8 張震宇;王立松;;基于粒子濾波的傳感器目標跟蹤算法[A];2008年中國高校通信類院系學術研討會論文集（上冊）[C];2009年

9 王亞楠;陳杰;甘明剛;;基于差分進化的改進粒子濾波目標跟蹤算法[A];中國自動化學會控制理論專業(yè)委員會C卷[C];2011年

10 張濤;費樹岷;胡剛;;基于多特征信息自適應融合的視頻目標跟蹤算法[A];第二十九屆中國控制會議論文集[C];2010年

相關博士學位論文 前10條

1 胡子軍;基于隨機有限集的雷達多目標跟蹤算法研究[D];西安電子科技大學;2015年

2 張雷;復雜場景下實時目標跟蹤算法及實現(xiàn)技術研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2016年

3 王晶晶;復雜擁擠環(huán)境下協(xié)同視頻監(jiān)控中目標跟蹤算法研究[D];中國科學技術大學;2016年

4 田浩;基于核函數(shù)的目標跟蹤算法研究[D];長安大學;2016年

5 秦永;基于隨機有限集的目標跟蹤算法研究[D];華中科技大學;2016年

6 項俊;基于檢測的數(shù)據(jù)關聯(lián)多目標跟蹤算法研究[D];華中科技大學;2016年

7 金加根;基于元數(shù)據(jù)的雷達目標檢測和跟蹤研究[D];武漢理工大學;2015年

8 盧建國;基于粒子濾波的視頻目標跟蹤算法研究[D];北京郵電大學;2011年

9 馮巍;分布式多視角目標跟蹤算法研究[D];復旦大學;2011年

10 王書朋;視頻目標跟蹤算法研究[D];西安電子科技大學;2009年

相關碩士學位論文 前10條

1 張健;形變目標跟蹤算法的研究與實現(xiàn)[D];遼寧大學;2015年

2 張巧麗;基于LabVIEW的運動目標跟蹤算法研究與實現(xiàn)[D];陜西科技大學;2015年

3 鐘寶康;基于壓縮感知的預測目標跟蹤算法研究[D];江西理工大學;2015年

4 薛桐;基于CamShift的運動目標跟蹤算法研究[D];沈陽理工大學;2015年

5 王增宇;基于稀疏表達的目標跟蹤算法研究[D];沈陽理工大學;2015年

6 王靜;結構化的表觀模型及兩階段目標跟蹤算法研究[D];沈陽理工大學;2015年

7 葛凱蓉;自然場景下目標跟蹤算法的研究[D];山東大學;2015年

8 向偉;基于檢測的目標跟蹤算法研究[D];上海交通大學;2015年

9 單順勇;結合多示例學習和模板匹配的目標跟蹤算法研究[D];江西理工大學;2015年

10 張碧武;基于單目視覺的目標跟蹤算法的研究與實現(xiàn)[D];電子科技大學;2015年

本文編號：2578084