在計(jì)算機(jī)視覺研究領(lǐng)域中,目標(biāo)跟蹤作為計(jì)算機(jī)對(duì)外界信息深層解析的基礎(chǔ),無論在國(guó)防軍事還是在生產(chǎn)生活中都有著不可或缺的應(yīng)用需求。在實(shí)際應(yīng)用中,復(fù)雜多變的環(huán)境條件給目標(biāo)跟蹤帶來巨大挑戰(zhàn),如何提高跟蹤算法的魯棒性是本文研究的主要內(nèi)容。粒子濾波算法在移動(dòng)目標(biāo)狀態(tài)估計(jì)中,粒子樣本數(shù)目越多,其狀態(tài)估計(jì)效果越好,但是會(huì)產(chǎn)生較大的計(jì)算量,并且在狀態(tài)遞歸估計(jì)中,容易導(dǎo)致粒子匱乏現(xiàn)象,繼而降低算法跟蹤性能;在核相關(guān)濾波目標(biāo)跟蹤算法中,當(dāng)目標(biāo)產(chǎn)生遮擋時(shí),濾波模板容易受到污染,并且目標(biāo)遮擋前后其位置可能發(fā)生較大偏移,容易導(dǎo)致跟蹤器丟失目標(biāo);當(dāng)目標(biāo)發(fā)生尺度變化時(shí),核相關(guān)濾波算法因?yàn)槟０宕笮」潭ǘ鵁o法與目標(biāo)尺度保持一致性,致使跟蹤精度下降。針對(duì)以上三個(gè)問題,本文提出了相應(yīng)的優(yōu)化方法,具體工作如下:為了提高粒子濾波算法的計(jì)算效率并保證粒子的多樣性,本文提出了一種基于粒子繁衍的粒子濾波算法,首先,在重要性粒子集中篩選大權(quán)值粒子,然后在大權(quán)值粒子周圍通過隨機(jī)采樣的方式生成新粒子,得到的粒子樣本彼此獨(dú)立且唯一,從而保證了粒子的多樣性,并且提出方法不需要對(duì)大權(quán)值粒子進(jìn)行多次復(fù)制操作,減少了計(jì)算量,提高了算法效率。最后,通過兩... 

【文章來源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 目標(biāo)跟蹤研究概況
        1.2.2 粒子濾波目標(biāo)跟蹤
        1.2.3 相關(guān)濾波類目標(biāo)跟蹤
    1.3 研究?jī)?nèi)容及章節(jié)安排
第2章 基于粒子繁衍的粒子濾波算法
    2.1 粒子濾波算法
    2.2 改進(jìn)的粒子濾波算法
        2.2.1 粒子重要性采樣
        2.2.2 基于粒子繁衍的重采樣方法
    2.3 實(shí)驗(yàn)結(jié)果及分析
        2.3.1仿真實(shí)驗(yàn)
        2.3.2基于視頻的目標(biāo)跟蹤場(chǎng)景實(shí)驗(yàn)
    2.4 本章小結(jié)
第3章 魯棒性遮擋預(yù)測(cè)目標(biāo)跟蹤
    3.1 KCF目標(biāo)跟蹤算法
        3.1.1 目標(biāo)分類器
        3.1.2 問題描述
    3.2 融合相關(guān)粒子濾波跟蹤器
        3.2.1 特征提取
        3.2.2 PSR值計(jì)算
        3.2.3 多濾波模板
        3.2.4 粒子采樣策略
        3.2.5 模型更新
    3.3 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第4章 多尺度適應(yīng)性目標(biāo)跟蹤
    4.1 多尺度適應(yīng)性策略
    4.2 算法整體流程與分析
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)參數(shù)與評(píng)價(jià)標(biāo)準(zhǔn)
        4.3.2 實(shí)驗(yàn)跟蹤效果
        4.3.3 實(shí)驗(yàn)數(shù)據(jù)與分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來工作展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間獲得與學(xué)位論文相關(guān)的科研成果


【參考文獻(xiàn)】：
期刊論文
[1]多特征融合的自適應(yīng)相關(guān)濾波跟蹤算法[J]. 范文兵,趙周鼎,王詩(shī).  計(jì)算機(jī)工程與應(yīng)用. 2018(14)
[2]改進(jìn)協(xié)方差矩陣的智能車視覺目標(biāo)跟蹤方法[J]. 劉紅星,胡廣地,朱曉媛,李進(jìn)龍.  計(jì)算機(jī)工程與應(yīng)用. 2019(03)
[3]自適應(yīng)模板更新的魯棒目標(biāo)跟蹤算法[J]. 劉芳,黃光偉,路麗霞,王洪娟,王鑫.  計(jì)算機(jī)科學(xué)與探索. 2019(01)
[4]基于HSV-HOG的改進(jìn)TLD目標(biāo)跟蹤方法[J]. 孫春梅,謝明,王婷.  科技通報(bào). 2017(10)
[5]時(shí)空上下文相似性的TLD目標(biāo)跟蹤算法[J]. 張晶,王旭,范洪博.  計(jì)算機(jī)科學(xué)與探索. 2018(07)
[6]基于相關(guān)濾波器的長(zhǎng)時(shí)視覺目標(biāo)跟蹤方法[J]. 朱明敏,胡茂海.  計(jì)算機(jī)應(yīng)用. 2017(05)
[7]一種多模型貝努利粒子濾波機(jī)動(dòng)目標(biāo)跟蹤算法[J]. 楊峰,張婉瑩.  電子與信息學(xué)報(bào). 2017(03)
[8]一種基于詞袋模型的新的顯著性目標(biāo)檢測(cè)方法[J]. 楊賽,趙春霞,徐威.  自動(dòng)化學(xué)報(bào). 2016(08)
[9]粒子濾波理論、方法及其在多目標(biāo)跟蹤中的應(yīng)用[J]. 李天成,范紅旗,孫樹棟.  自動(dòng)化學(xué)報(bào). 2015(12)
[10]部件級(jí)表觀模型的目標(biāo)跟蹤方法[J]. 王美華,梁云,劉福明,羅笑南.  軟件學(xué)報(bào). 2015(10)



本文編號(hào)：3172042