本文關(guān)鍵詞：TLD目標(biāo)跟蹤算法的改進(jìn)研究

  更多相關(guān)文章： 目標(biāo)跟蹤 遮擋 形變 光照變化 實時性

【摘要】：視頻目標(biāo)跟蹤技術(shù)是計算機(jī)視覺領(lǐng)域的重點研究方向之一,在軍事和民用領(lǐng)域得到了廣泛的應(yīng)用,比如導(dǎo)彈制導(dǎo),智能交通,安防監(jiān)控及醫(yī)學(xué)圖像等諸多領(lǐng)域,因此,對視頻目標(biāo)跟蹤技術(shù)的研究有著重要的經(jīng)濟(jì)價值和廣泛的應(yīng)用前景。視頻目標(biāo)跟蹤技術(shù)在近三十年得到了快速的發(fā)展,但能長時間可靠地對運(yùn)動目標(biāo)進(jìn)行跟蹤的技術(shù)還遠(yuǎn)未成熟。TLD跟蹤算法是一種能長時間對目標(biāo)進(jìn)行跟蹤的算法,然而,該算法在遇到目標(biāo)遮擋、形變、光照變化以及目標(biāo)數(shù)量較多等情況時,就不能對目標(biāo)進(jìn)行很好地跟蹤。本文對TLD跟蹤算法進(jìn)行了深入分析,并對其在應(yīng)對遮擋、形變、光照變化的不足和實時性較差等問題,提出了相應(yīng)的改進(jìn)措施,主要有以下幾個方面:(1)提出了一種TLD跟蹤算法與卡爾曼濾波相結(jié)合的跟蹤算法。該算法主要是解決單目標(biāo)出現(xiàn)遮擋導(dǎo)致跟蹤失敗的問題。當(dāng)正常跟蹤時,利用TLD跟蹤下一幀的狀態(tài)作為觀測值更新卡爾曼濾波器;當(dāng)目標(biāo)出現(xiàn)遮擋時,利用卡爾曼預(yù)測的下一幀狀態(tài)作為觀測值更新TLD跟蹤算法。(2)提出一種TLD跟蹤算法與尺度自適應(yīng)meanshift相結(jié)合的跟蹤算法。該方法主要是解決單目標(biāo)出現(xiàn)形變導(dǎo)致跟蹤失敗的問題。通過TLD跟蹤算法動態(tài)調(diào)整尺度自適應(yīng)meanshift算法的迭代起始點,之后,利用尺度自適應(yīng)meanshift為TLD跟蹤算法提供更新模板。(3)提出一種改進(jìn)的TLD多目標(biāo)跟蹤算法。該算法分別對TLD模型中的檢測器和跟蹤器進(jìn)行了改進(jìn)。對檢測器的改進(jìn)主要體現(xiàn)在通過提升檢測器的檢測效率和降低算法的運(yùn)算量,來提高跟蹤的實時性。對跟蹤器的改進(jìn)主要是對它所采用的LK光流法進(jìn)行改進(jìn),解決LK光流法不能對大幅運(yùn)動的目標(biāo)和光流場變化的目標(biāo)進(jìn)行很好跟蹤的問題。通過一系列的實驗仿真,結(jié)果表明,本文的算法改善了TLD單目標(biāo)跟蹤過程中目標(biāo)出現(xiàn)遮擋或形變導(dǎo)致跟蹤失敗的問題,以及TLD多目標(biāo)跟蹤實時性差和不能很好跟蹤大幅運(yùn)動目標(biāo)的問題。
【關(guān)鍵詞】：目標(biāo)跟蹤 遮擋 形變 光照變化 實時性
【學(xué)位授予單位】：南昌航空大學(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4-5
• Abstract5-9
• 第1章 緒論9-14
• 1.1 研究背景和意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-12
• 1.3 目標(biāo)跟蹤方法分類12
• 1.4 本文的主要研究內(nèi)容12-14
• 第2章 TLD跟蹤算法介紹14-24
• 2.1 TLD總體架構(gòu)介紹14-15
• 2.2 檢測器部分15-18
• 2.2.1 方差濾波器16
• 2.2.2 集成分類器16-17
• 2.2.3 最鄰近分類器17-18
• 2.3 跟蹤器部分18-19
• 2.4 學(xué)習(xí)模塊19-21
• 2.5 TLD跟蹤算法的評價指標(biāo)21
• 2.6 TLD算法的流程21-23
• 2.7 本章小結(jié)23-24
• 第3章 TLD架構(gòu)下的單目標(biāo)跟蹤算法24-45
• 3.1 常見的單目標(biāo)跟蹤方法24-25
• 3.1.1 點跟蹤24-25
• 3.1.2 核跟蹤25
• 3.1.3 剪影跟蹤25
• 3.2 TLD單目標(biāo)跟蹤的遮擋問題25-30
• 3.2.1 卡爾曼濾波器26
• 3.2.2 卡爾曼濾波原理26-29
• 3.2.3 TLD與卡爾曼濾波的結(jié)合29-30
• 3.3 TLD單目標(biāo)跟蹤的形變問題研究30-39
• 3.3.1 meanshift跟蹤30-31
• 3.3.2 meanshift跟蹤算法描述31-34
• 3.3.3 目標(biāo)尺度的自適應(yīng)研究34-38
• 3.3.4 TLD與尺度自適應(yīng)meanshift跟蹤相結(jié)合38-39
• 3.4 實驗結(jié)果及分析39-44
• 3.5 本章小結(jié)44-45
• 第4章 TLD多目標(biāo)跟蹤算法研究45-61
• 4.1 多目標(biāo)跟蹤基礎(chǔ)45-47
• 4.1.1 目標(biāo)特征提取45
• 4.1.2 關(guān)聯(lián)匹配45-46
• 4.1.3 多目標(biāo)跟蹤的一般步驟46
• 4.1.4 多目標(biāo)跟蹤一般方法46-47
• 4.2 TLD多目標(biāo)跟蹤實時性問題研究47-50
• 4.2.1 適用于TLD多目標(biāo)跟蹤的檢測器47-48
• 4.2.2 決策樹48-49
• 4.2.3 改進(jìn)的隨機(jī)森林49-50
• 4.3 跟蹤模塊改進(jìn)50-55
• 4.3.1 LK光流法50
• 4.3.2 LK算法原理50-52
• 4.3.3 LK方法的金字塔改進(jìn)52-53
• 4.3.4 前后光流估計算法53-55
• 4.4 改進(jìn)的TLD多目標(biāo)跟蹤方法55-58
• 4.4.1 TLD多目標(biāo)跟蹤架構(gòu)55-56
• 4.4.2 改進(jìn)的TLD多目標(biāo)跟蹤算法實現(xiàn)56-58
• 4.5 實驗結(jié)果及分析58-60
• 4.6 本章小結(jié)60-61
• 第5章 目標(biāo)跟蹤軟件的開發(fā)61-67
• 5.1 開發(fā)環(huán)境介紹61
• 5.2 系統(tǒng)軟件簡介61-63
• 5.2.1 系統(tǒng)軟件模塊61-62
• 5.2.2 編程簡介62-63
• 5.3 軟件系統(tǒng)平臺界面及功能展示63-67
• 5.3.1 軟件界面63
• 5.3.2 運(yùn)動目標(biāo)檢測演示63-64
• 5.3.3 TLD單目標(biāo)跟蹤演示64-65
• 5.3.4 TLD多目標(biāo)演示65-67
• 第6章 總結(jié)與展望67-69
• 6.1 總結(jié)67-68
• 6.2 工作展望68-69
• 參考文獻(xiàn)69-73
• 發(fā)表論文及參加科研情況說明73-74
• 致謝74-75

【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(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;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(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(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(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(biāo)跟蹤算法[A];2011年中國智能自動化學(xué)術(shù)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(biāo)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(xué)學(xué)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(biāo)跟蹤算法[A];第十二屆全國信號處理學(xué)術(shù)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(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（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];中國自動化學(xué)會控制理論專業(yè)委員會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)雜場景下實時目標(biāo)跟蹤算法及實現(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 王晶晶;復(fù)雜擁擠環(huán)境下協(xié)同視頻監(jiān)控中目標(biāo)跟蹤算法研究[D];中國科學(xué)技術(shù)大學(xué);2016年

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

6 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

7 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

8 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

9 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

10 邱雪娜;基于視覺的運(yùn)動目標(biāo)跟蹤算法及其在移動機(jī)器人中的應(yīng)用[D];華東理工大學(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現(xiàn)[D];遼寧大學(xué);2015年

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

3 閆俊強(qiáng);基于圖像的空中目標(biāo)跟蹤算法研究[D];中北大學(xué);2016年

4 陳萍;視覺目標(biāo)跟蹤算法研究[D];東南大學(xué);2015年

5 呂國宏;視頻中運(yùn)動目標(biāo)跟蹤算法及其改進(jìn)策略研究[D];中北大學(xué);2016年

6 江夢茜;復(fù)雜條件下的擴(kuò)展/群目標(biāo)跟蹤算法研究[D];西安工程大學(xué);2016年

7 趙璐璐;基于相關(guān)濾波的目標(biāo)跟蹤算法研究[D];北方工業(yè)大學(xué);2016年

8 鮑丙計;基于粒子濾波的視頻目標(biāo)跟蹤算法研究[D];安徽大學(xué);2016年

9 蔣小莉;基于壓縮粒子濾波的改進(jìn)目標(biāo)跟蹤算法研究[D];安徽大學(xué);2016年

10 徐少飛;基于循環(huán)核矩陣的自適應(yīng)目標(biāo)跟蹤算法研究[D];安徽大學(xué);2016年

，

本文編號：853530