本文關(guān)鍵詞：基于相關(guān)濾波的目標(biāo)跟蹤算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,目標(biāo)跟蹤技術(shù)的研究取得了很大進(jìn)步,涌現(xiàn)出許多優(yōu)秀的目標(biāo)跟蹤算法,但仍然面臨著一系列的挑戰(zhàn),例如攝像機(jī)快速抖動(dòng)、目標(biāo)遮擋、目標(biāo)尺度變化等,經(jīng)常導(dǎo)致目標(biāo)跟蹤發(fā)生漂移或失敗。為了解決相關(guān)目標(biāo)跟蹤過程中目標(biāo)遇到遮擋及尺度變換的問題,本文針對特征融合和自適應(yīng)尺度變換等問題進(jìn)行了深入研究,主要成果如下：(1)提出了一種自適應(yīng)加權(quán)融合目標(biāo)顏色特征和HOG特征的方法,先根據(jù)兩種特征分別訓(xùn)練最小二乘法分類器,跟蹤得到目標(biāo)位置。并根據(jù)兩種特征響應(yīng)值的大小自適應(yīng)為兩種特征分配權(quán)重,提高了目標(biāo)跟蹤的魯棒性；(2)分析了目標(biāo)表觀模型和分類器參數(shù)的學(xué)習(xí)速率對目標(biāo)跟蹤的影響,利用幀差法分析相鄰兩幀圖像的變化速率,在特征融合算法的基礎(chǔ)上根據(jù)圖像的變化速率設(shè)計(jì)了一種分類器學(xué)習(xí)速率的分段調(diào)整方法,可有效解決目標(biāo)遮擋造成的目標(biāo)跟蹤失敗的問題；(3)給出了一種尺度預(yù)測的方法,依據(jù)特征融合檢測到的目標(biāo)位置,提取不同尺度大小的樣本的HOG特征,通過訓(xùn)練核函數(shù)的最小二乘法分類器,從而獲得尺度輸出響應(yīng)的最大值完成對目標(biāo)尺度的預(yù)測。該方法可以依據(jù)目標(biāo)尺度大小變化,自適應(yīng)改變矩形跟蹤框大小,提高目標(biāo)跟蹤的精度。(4)將以上3種算法結(jié)合在一起,形成本文最終的算法,從標(biāo)準(zhǔn)視頻序列中選取9組具有目標(biāo)遮擋、尺度變化及不同種類的視頻序列對該算法進(jìn)行測試,實(shí)驗(yàn)結(jié)果表明,該算法的平均中心位置誤差(CLE)為5.18 pixels,平均距離精度(DP)可達(dá)95.09%,平均重疊精度(OP)高達(dá)96.44%。與現(xiàn)有的基于相關(guān)濾波器的目標(biāo)跟蹤方法中的最優(yōu)者相比,該算法的平均中心位置誤差(CLE)減少了4.09 pixels,平均距離精度(DP)提高了6.75%,平均重疊精度(OP)提高了22.24%,在目標(biāo)遮擋和尺度變換等復(fù)雜條件下,該算法依然能夠穩(wěn)定準(zhǔn)確地跟蹤運(yùn)動(dòng)目標(biāo),具有十分重要的理論價(jià)值和應(yīng)用研究價(jià)值。
【關(guān)鍵詞】：視覺目標(biāo)跟蹤 相關(guān)濾波器 遮擋 尺度預(yù)測
【學(xué)位授予單位】：北方工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-14
• 1.1 研究背景及意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-12
• 1.3 主要研究內(nèi)容及章節(jié)安排12-13
• 1.4 本章小結(jié)13-14
• 第二章 相關(guān)濾波目標(biāo)跟蹤算法基礎(chǔ)14-26
• 2.1 相關(guān)濾波器14-17
• 2.1.1 相關(guān)的基本概念14-16
• 2.1.2 經(jīng)典的相關(guān)濾波器16-17
• 2.2 核函數(shù)的基本介紹17-18
• 2.3 訓(xùn)練樣本特征18-21
• 2.3.1 采集訓(xùn)練樣本18-20
• 2.3.2 提取樣本特征20-21
• 2.4 核化的正則化最小二乘法分類器(KRLS)21-25
• 2.4.1 訓(xùn)練分類器22-23
• 2.4.2 目標(biāo)位置檢測23
• 2.4.3 更新分類器23-25
• 2.5 本章小結(jié)25-26
• 第三章 基于多特征融合的目標(biāo)跟蹤算法26-41
• 3.1 自適應(yīng)顏色特征26-28
• 3.1.1 顏色特征基本概念26-27
• 3.1.2 低維自適應(yīng)顏色屬性27-28
• 3.2 方向梯度直方圖(HOG)28-31
• 3.3 自適應(yīng)顏色特征和方向梯度直方圖(HOG)特征的融合31-33
• 3.3.1 傳統(tǒng)的特征融合方法32
• 3.3.2 決策層特征融合32-33
• 3.4 學(xué)習(xí)速率對跟蹤的影響33-35
• 3.5 實(shí)驗(yàn)結(jié)果與分析35-40
• 3.5.1 性能評估35-36
• 3.5.2 實(shí)驗(yàn)結(jié)果36
• 3.5.3 對比分析36-40
• 3.6 本章小結(jié)40-41
• 第四章 基于尺度預(yù)測的目標(biāo)跟蹤算法41-51
• 4.1 尺度預(yù)測過程41-42
• 4.2 多尺度跟蹤算法流程42-44
• 4.3 實(shí)驗(yàn)結(jié)果分析44-50
• 4.3.1 實(shí)驗(yàn)結(jié)果44-45
• 4.3.2 對比分析45-50
• 4.4 本章小結(jié)50-51
• 第五章 總結(jié)及展望51-53
• 參考文獻(xiàn)53-57
• 申請學(xué)位期間的研究成果及發(fā)表的學(xué)術(shù)論文57-58
• 致謝58

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 金忠;一種多目標(biāo)跟蹤算法[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);1985年S1期

2 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(biāo)跟蹤算法研究[J];國外電子測量技術(shù);2014年01期

3 馬奔,史忠科,皮燕妮;成像目標(biāo)跟蹤算法分析[J];西安電子科技大學(xué)學(xué)報(bào);2005年03期

4 孫中森;孫俊喜;宋建中;喬雙;;一種抗遮擋的運(yùn)動(dòng)目標(biāo)跟蹤算法[J];光學(xué)精密工程;2007年02期

5 陳愛華;孟勃;朱明;王艷華;;多模式融合的目標(biāo)跟蹤算法[J];光學(xué)精密工程;2009年01期

6 牛長鋒;劉玉樹;;融合多特征的粒子濾波目標(biāo)跟蹤算法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

7 蔡榮太;吳元昊;王明佳;吳慶祥;;視頻目標(biāo)跟蹤算法綜述[J];電視技術(shù);2010年12期

8 佟國峰;蔣昭炎;谷久宏;龐曉磊;;基于隨機(jī)蕨叢的長期目標(biāo)跟蹤算法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

9 曹曉麗;李明;邢玉娟;譚萍;;幾種自動(dòng)目標(biāo)跟蹤算法的比較研究[J];硅谷;2013年02期

10 王魯平,李飚,胡敏露;一種基于多傳感器數(shù)據(jù)融合的目標(biāo)跟蹤算法[J];紅外與激光工程;2004年02期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 徐炳吉;;一種多站聯(lián)合目標(biāo)跟蹤算法[A];數(shù)學(xué)及其應(yīng)用文集——中南模糊數(shù)學(xué)和系統(tǒng)分會(huì)第三屆年會(huì)論文集（上卷）[C];1995年

2 杜方芳;劉士榮;邱雪娜;;一種改進(jìn)的粒子濾波目標(biāo)跟蹤算法[A];PCC2009—第20屆中國過程控制會(huì)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(biāo)跟蹤算法[A];2003年中國智能自動(dòng)化會(huì)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(biāo)跟蹤算法[A];2011年中國智能自動(dòng)化學(xué)術(shù)會(huì)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(biāo)跟蹤算法[A];2009年中國智能自動(dòng)化會(huì)議論文集（第七分冊）[南京理工大學(xué)學(xué)報(bào)（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(biāo)跟蹤算法[A];第十二屆全國信號處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

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

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

9 王亞楠;陳杰;甘明剛;;基于差分進(jìn)化的改進(jìn)粒子濾波目標(biāo)跟蹤算法[A];中國自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)C卷[C];2011年

10 張濤;費(fèi)樹岷;胡剛;;基于多特征信息自適應(yīng)融合的視頻目標(biāo)跟蹤算法[A];第二十九屆中國控制會(huì)議論文集[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 胡子軍;基于隨機(jī)有限集的雷達(dá)多目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2015年

2 王保憲;復(fù)雜背景下的視頻目標(biāo)跟蹤算法研究[D];北京理工大學(xué);2016年

3 張雷;復(fù)雜場景下實(shí)時(shí)目標(biāo)跟蹤算法及實(shí)現(xiàn)技術(shù)研究[D];中國科學(xué)院研究生院(長春光學(xué)精密機(jī)械與物理研究所);2016年

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

5 馮巍;分布式多視角目標(biāo)跟蹤算法研究[D];復(fù)旦大學(xué);2011年

6 王書朋;視頻目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2009年

7 劉晴;基于區(qū)域特征的目標(biāo)跟蹤算法研究[D];北京理工大學(xué);2014年

8 邱雪娜;基于視覺的運(yùn)動(dòng)目標(biāo)跟蹤算法及其在移動(dòng)機(jī)器人中的應(yīng)用[D];華東理工大學(xué);2011年

9 趙運(yùn)基;基于視覺的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2012年

10 張健;面向能效優(yōu)化的無線傳感器網(wǎng)絡(luò)分布式目標(biāo)跟蹤算法研究[D];東北大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

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

2 張巧麗;基于LabVIEW的運(yùn)動(dòng)目標(biāo)跟蹤算法研究與實(shí)現(xiàn)[D];陜西科技大學(xué);2015年

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

4 薛桐;基于CamShift的運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D];沈陽理工大學(xué);2015年

5 王增宇;基于稀疏表達(dá)的目標(biāo)跟蹤算法研究[D];沈陽理工大學(xué);2015年

6 王靜;結(jié)構(gòu)化的表觀模型及兩階段目標(biāo)跟蹤算法研究[D];沈陽理工大學(xué);2015年

7 葛凱蓉;自然場景下目標(biāo)跟蹤算法的研究[D];山東大學(xué);2015年

8 向偉;基于檢測的目標(biāo)跟蹤算法研究[D];上海交通大學(xué);2015年

9 單順勇;結(jié)合多示例學(xué)習(xí)和模板匹配的目標(biāo)跟蹤算法研究[D];江西理工大學(xué);2015年

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

  本文關(guān)鍵詞：基于相關(guān)濾波的目標(biāo)跟蹤算法研究，由筆耕文化傳播整理發(fā)布。

本文編號：288765