視覺目標(biāo)跟蹤能夠解決目標(biāo)的運(yùn)動軌跡定位問題,現(xiàn)在已經(jīng)廣泛應(yīng)用到智能安防,智慧交通,無人駕駛和生物醫(yī)學(xué)等領(lǐng)域。大量尖端人才的涌現(xiàn)和多方資金的注入促進(jìn)了視覺目標(biāo)跟蹤技術(shù)的發(fā)展,在短時間內(nèi)涌現(xiàn)了許多優(yōu)秀的視覺目標(biāo)跟蹤算法。但仍無法妥善解決復(fù)雜背景下的目標(biāo)跟蹤、長時間目標(biāo)跟蹤、實(shí)時性目標(biāo)跟蹤、自適應(yīng)多特征選擇和自適應(yīng)目標(biāo)尺度估計等問題。本文基于空間懲罰和相關(guān)濾波的視覺目標(biāo)跟蹤算法,結(jié)合該領(lǐng)域中的SRDCF（Learning Spatially Regularized Correlation Filters for Visual Tracking）算法,圍繞復(fù)雜環(huán)境下的魯棒目標(biāo)跟蹤方法開展深入研究。在SRDCF算法基礎(chǔ)上提升了跟蹤目標(biāo)的速度,且提升了遮擋情況下跟蹤目標(biāo)的精度。本文的主要工作和成果如下:（1）研究SRDCF算法可能存在的改進(jìn)方向。SRDCF算法是基于MOSSE和DCF算法提出的改進(jìn)算法。首先它只是暴力地分為幾個指定尺度再依次進(jìn)行匹配,可以在此基礎(chǔ)上進(jìn)行自適應(yīng)尺度或超大尺度的研究,跟蹤的效果將會有進(jìn)一步的提升;其次在求解相關(guān)濾波器時,它是利用高斯賽德爾迭代法進(jìn)行在線學(xué)習(xí)。高斯賽德爾迭... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標(biāo)跟蹤流程分解圖

重慶郵電大學(xué)碩士學(xué)位論文第2章相關(guān)濾波基本理論13合適的濾波模板就能夠得到更高目標(biāo)的觀測模型和目標(biāo)當(dāng)前特征狀態(tài)地相似度，一般都是把卷積計算的響應(yīng)最大值的對應(yīng)位置，作為當(dāng)前幀的目標(biāo)位置。相關(guān)濾波器在使用卷積定理做響應(yīng)輸出的頻域轉(zhuǎn)換時的計算效率很高。一般的相關(guān)濾波的整體運(yùn)行流程如圖2.1所示。圖2.1基本相關(guān)濾波流程示意圖令x，h和g分別代表當(dāng)前幀的輸入圖像、相關(guān)濾波模板和回歸目標(biāo)。尋找到一個適當(dāng)?shù)南嚓P(guān)濾波模板h，且相關(guān)濾波模板h和輸入圖像做了相關(guān)運(yùn)算后，可以求出有若干突出峰值且這些突出峰值領(lǐng)域的響應(yīng)迅速回落的回歸目標(biāo)g[46]。xhg（2.1）對式（2.1）的兩邊都進(jìn)行傅里葉轉(zhuǎn)換，等式兩邊轉(zhuǎn)換至頻域可有式（2.2）。()()()()g=xhxh（2.2）式（2.2）中，代表矩陣在頻域中對應(yīng)元素的點(diǎn)乘，就是矩陣的共軛矩陣，式（2.3）是由式（2.2）求解得到。GHX（2.3）式（2.3）中，H是h的傅里葉轉(zhuǎn)換，且X，G分別是x，g各自的傅里葉轉(zhuǎn)換。式（2.3）中的除法操作代表矩陣在頻域中對應(yīng)元素的點(diǎn)除。結(jié)合此前訓(xùn)練得到的對應(yīng)幀的相關(guān)濾波模板h，去做后續(xù)的那幀圖像z的相關(guān)運(yùn)算，通過計算求出頻域中的對應(yīng)峰值響應(yīng)值Y，式（2.4）就是Y做過逆傅里葉轉(zhuǎn)后求出對應(yīng)的時域的峰值y。11y(Y)()HZ（2.4）式（2.4）中，1代表逆傅里葉轉(zhuǎn)換。

重慶郵電大學(xué)碩士學(xué)位論文第2章相關(guān)濾波基本理論19圖2.2相關(guān)濾波跟蹤算法流程示意圖2.4本章小結(jié)本章詳細(xì)地整理了相關(guān)濾波必備理論知識。詳細(xì)介紹了相關(guān)濾波的基本理論。基于相關(guān)濾波器的視覺目標(biāo)跟蹤方法在優(yōu)秀學(xué)者的參與和大量資金的投入下，涌現(xiàn)出大量的優(yōu)秀視覺目標(biāo)跟蹤算法，已經(jīng)逐步應(yīng)用于無人機(jī)技術(shù)、智慧交通等應(yīng)用領(lǐng)域。其主要的優(yōu)勢就是運(yùn)算復(fù)雜度低而跟蹤性能好，通過FFT加速操作降低了算法的計算復(fù)雜度。本文是基于相關(guān)濾波和空間懲罰的視覺目標(biāo)跟蹤算法研究，將在本節(jié)介紹兩種經(jīng)典視覺目標(biāo)跟蹤算法。相關(guān)濾波跟蹤算法的大體跟蹤過程可以劃歸為三個模塊：預(yù)處理圖像模塊、檢測目標(biāo)模塊、模型訓(xùn)練和更新模塊。

【參考文獻(xiàn)】：
期刊論文
[1]基于高斯-賽德爾迭代法及MATLAB軟件的電路方程組求解方法[J]. 裴志堅.  北京工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報. 2017(03)

博士論文
[1]復(fù)雜環(huán)境下魯棒目標(biāo)跟蹤方法[D]. 李軍偉.浙江工業(yè)大學(xué) 2018

碩士論文
[1]基于相關(guān)濾波框架的目標(biāo)跟蹤算法研究[D]. 潘常青.南京郵電大學(xué) 2019
[2]基于深度圖像的遮擋檢測及規(guī)避方法研究[D]. 張鈺程.燕山大學(xué) 2016
[3]交替方向法及其應(yīng)用[D]. 李玉勝.中國科學(xué)技術(shù)大學(xué) 2015



本文編號：3115556