視頻目標(biāo)跟蹤通過對目標(biāo)對象的特征實(shí)現(xiàn)提取,然后在視頻幀序列中檢測運(yùn)動目標(biāo),從而獲得目標(biāo)的所在位置、運(yùn)動路徑等信息,并且目前已經(jīng)被大量地應(yīng)用于安防監(jiān)控、交通監(jiān)測、國防偵察等多個現(xiàn)實(shí)領(lǐng)域。從Meanshift、Particle Filter和Kalman Filter等比較傳統(tǒng)的算法,發(fā)展到運(yùn)用相關(guān)濾波與深度學(xué)習(xí)等理論的最新算法,目標(biāo)跟蹤技術(shù)不斷取得突破性的進(jìn)展。但是由于目標(biāo)跟蹤本身的復(fù)雜性,現(xiàn)有的跟蹤算法總是不盡如人意。傳統(tǒng)的跟蹤算法雖然計(jì)算量比較小,速度也比較快,但是跟蹤的準(zhǔn)確度比較低;而深度學(xué)習(xí)類算法的精度和魯棒性雖然較好,但是由于深度學(xué)習(xí)計(jì)算量相對較大,算法不能達(dá)到實(shí)時(shí)性的要求,并且對于硬件的要求也很高。因此,如何使算法能夠在跟蹤的過程中兼顧精度和速度的要求,就成為了本文的研究重點(diǎn)。通過分析研究,相關(guān)濾波跟蹤算法的精度和魯棒性較之傳統(tǒng)算法有很大進(jìn)步,并且算法速度較快,因此本文基于該類算法進(jìn)行研究。通過對相關(guān)濾波跟蹤算法的分析,本文主要從特征的選取和融合、模板的更新兩個方面進(jìn)行討論。（1）傳統(tǒng)的單目標(biāo)跟蹤算法一般只采用一個特征來對目標(biāo)對象進(jìn)行描述,然而單特征并不能夠完整地表征運(yùn)動目標(biāo)... 

【文章來源】：云南大學(xué)云南省 211工程院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２：?ＨＯＧ特征中ｃｅｌｌ和ｂｌｏｃｋ圖示??ｂｌｏｃｋ的形狀主要有矩形和環(huán)形兩種，其中矩形ｂｌｏｃｋ主要是形的，

?（ｅ）??圖２－３：?Ｈａａｒ－丨ｉｋｅ特征常見模板??如圖２－３中的（ａ）、（ｂ）、（ｅ），其特征值的計(jì)算公式為：??ｖ?＝?ｓｕｍｔ３?－ｓｕｍｍ?（２．２７）??而圖２＿３中的（ｃ）和（ｄ）的特征值計(jì)算公式為：??ｖ?＝?ｓｗｎ＾?—?２?ｘ?ｓｕｍｍ?（２．２８）??需要注意的是，在求解Ｈａａｒ特征時(shí)，需要保證兩個顏色的矩形范圍大小一致，??即像素點(diǎn)的個數(shù)相同，因此式２．２８要對黑色區(qū)域進(jìn)行加倍的操作。??由于在圖像中的任何位置都存在矩形特征，并且矩形的大小也能夠隨意更改，??所以當(dāng)矩形特征的尺寸和位置發(fā)生改變時(shí)，就能夠在較小的區(qū)域中得到大量的矩??形特征。那么怎樣才能對大量的特征值進(jìn)行快速的計(jì)算？為了解決這個問題，有學(xué)??者提出了積分圖的概念。??１７??

?（ｄ）?（ｅ）??圖２－３：?Ｈａａｒ－丨ｉｋｅ特征常見模板??如圖２－３中的（ａ）、（ｂ）、（ｅ），其特征值的計(jì)算公式為：??ｖ?＝?ｓｕｍｔ３?－ｓｕｍｍ?（２．２７）??而圖２＿３中的（ｃ）和（ｄ）的特征值計(jì)算公式為：??ｖ?＝?ｓｗｎ＾?—?２?ｘ?ｓｕｍｍ?（２．２８）??需要注意的是，在求解Ｈａａｒ特征時(shí)，需要保證兩個顏色的矩形范圍大小一致，??即像素點(diǎn)的個數(shù)相同，因此式２．２８要對黑色區(qū)域進(jìn)行加倍的操作。??由于在圖像中的任何位置都存在矩形特征，并且矩形的大小也能夠隨意更改，??所以當(dāng)矩形特征的尺寸和位置發(fā)生改變時(shí)，就能夠在較小的區(qū)域中得到大量的矩??形特征。那么怎樣才能對大量的特征值進(jìn)行快速的計(jì)算？為了解決這個問題，有學(xué)??者提出了積分圖的概念。??１７??

【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)上下文感知相關(guān)濾波目標(biāo)跟蹤[J]. 何冉,陳自力,劉建軍,高喜俊.  電光與控制. 2019(05)
[2]基于置信度的加權(quán)特征融合相關(guān)濾波跟蹤[J]. 成悅,李建增,李愛華,褚麗娜.  計(jì)算機(jī)工程與應(yīng)用. 2019(20)
[3]自適應(yīng)尺度特征融合與模型更新的跟蹤算法[J]. 王日宏,李永珺,張立鋒.  計(jì)算機(jī)應(yīng)用研究. 2019(12)
[4]基于Haar-like特征多分類器集成的行人檢測[J]. 齊燕舞,朱杰.  信息技術(shù). 2017(08)
[5]基于視覺顯著性特征的自適應(yīng)目標(biāo)跟蹤[J]. 張亞紅,楊欣,沈雷,周延培,周大可.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2015(02)
[6]基于不確定性度量的多特征融合跟蹤[J]. 顧鑫,王海濤,汪凌峰,王穎,陳如冰,潘春洪.  自動化學(xué)報(bào). 2011(05)

博士論文
[1]復(fù)雜場景下視頻目標(biāo)檢測及跟蹤算法研究[D]. 周浩.云南大學(xué) 2011

碩士論文
[1]基于相關(guān)濾波的單目標(biāo)跟蹤算法研究[D]. 鐘國崇.南昌航空大學(xué) 2018
[2]基于相關(guān)濾波器的單目標(biāo)跟蹤算法研究[D]. 張曉玄.江南大學(xué) 2018
[3]復(fù)雜場景下的相關(guān)濾波跟蹤算法研究[D]. 谷成剛.安徽大學(xué) 2018
[4]基于模板匹配及多特征融合的目標(biāo)跟蹤算法研究[D]. 袁笛.哈爾濱工業(yè)大學(xué) 2017
[5]基于時(shí)空上下文的視頻目標(biāo)跟蹤算法研究[D]. 朱威.重慶大學(xué) 2017
[6]智能監(jiān)控中目標(biāo)檢測與分類技術(shù)的研究[D]. 王國華.安徽大學(xué) 2012
[7]基于粒子濾波的視頻目標(biāo)跟蹤算法研究[D]. 王兆光.南京航空航天大學(xué) 2010
[8]基于點(diǎn)特征的目標(biāo)跟蹤算法研究及其在機(jī)器人導(dǎo)航上的應(yīng)用[D]. 汪婧.南京理工大學(xué) 2008



本文編號：2984599