隨著社會(huì)智能化進(jìn)程的加快,目標(biāo)跟蹤技術(shù)已經(jīng)融入到了人們生活的方方面面,目標(biāo)跟蹤的目的是對(duì)根據(jù)檢測(cè)或者人工選定的目標(biāo)對(duì)象進(jìn)行持續(xù)、穩(wěn)定和準(zhǔn)確地跟蹤。目前的目標(biāo)跟蹤算法具有很高的精確度和很快的實(shí)時(shí)性,已經(jīng)從傳統(tǒng)的生成式算法轉(zhuǎn)向判別式跟蹤算法,最近幾年提出的相關(guān)濾波跟蹤算法,是一種判別式跟蹤算法,在跟蹤速度和精度方面效果顯著。本文以核相關(guān)濾波跟蹤算法為基礎(chǔ),對(duì)影響跟蹤效果的特征的有效表達(dá),尺度變化的適應(yīng)與遮擋環(huán)境下穩(wěn)定地跟蹤問(wèn)題進(jìn)行研究,本文的研究主要從以下幾個(gè)方面進(jìn)行:（1）對(duì)核相關(guān)濾波跟蹤算法進(jìn)行了研究分析。首先詳細(xì)介紹了循環(huán)矩陣采樣,嶺回歸分類器以及不同核函數(shù)。然后得出核相關(guān)濾波器的跟蹤過(guò)程,主要包括模板訓(xùn)練、檢測(cè)以及更新這三個(gè)部分。并且解決了多通道數(shù)據(jù)處理問(wèn)題,最后給出了核相關(guān)濾波跟蹤算法的整體流程。（2）針對(duì)復(fù)雜環(huán)境下目標(biāo)跟蹤效果差以及尺度變化問(wèn)題。論文融合形狀特征和紋理特征以提升濾波模型的魯棒性。采用尺度金字塔目標(biāo)尺度搜索策略,首先確定目標(biāo)的位置坐標(biāo),然后在該位置處采用不同尺度樣本訓(xùn)練尺度濾波器確定目標(biāo)的最佳尺度。（3）針對(duì)遮擋環(huán)境下的目標(biāo)跟蹤問(wèn)題。論文給出了一種包含遮擋信息的組... 

【文章來(lái)源】：蘭州交通大學(xué)甘肅省

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

目標(biāo)跟蹤的應(yīng)用場(chǎng)景

(a) OPE 測(cè)試下尺度變化的屬性精確度曲線 (b) OPE 測(cè)試下尺度變化的成功率曲線圖 5.2 6 種算法在尺度變化屬性下的性能曲線由圖 5.2 所示結(jié)果可以直觀地看出，提出的算法在尺度變化屬性上的定位精度優(yōu)勢(shì)明顯，這是由于算法在空間關(guān)系建模的過(guò)程中引入了互補(bǔ)的多屬性融合特征，融合形狀HOG 特征和紋理 LBP 特征使得算法精度更高魯性更強(qiáng)。加入的的尺度濾波器可以解決尺度變化的跟蹤挑戰(zhàn)，在形變、背景混亂、快速運(yùn)動(dòng)、旋轉(zhuǎn)等復(fù)雜挑戰(zhàn)屬性下，算法也表現(xiàn)出了很強(qiáng)的性能。5.2.3 定性結(jié)果及誤差分析為了更加直觀地反應(yīng)所提算法的改進(jìn)效果，在具有不同挑戰(zhàn)屬性的跟蹤視頻中測(cè)試算法，根據(jù)算法在這些視頻中的跟蹤效果圖，可以直觀的看出算法的改進(jìn)和存在的缺陷，并對(duì)每個(gè)跟蹤視頻進(jìn)行定性評(píng)估分析，表 5.3 給出了參與實(shí)驗(yàn)對(duì)比分析的視序列所具有的屬性。表 5.3 實(shí)驗(yàn)視頻序列屬性

Ours1 SRDCF Staple DSST KCF CSK圖 5.3 6 種算法在視頻序列上的定性實(shí)驗(yàn)結(jié)果Skating1 視頻中跟蹤的人尺度形態(tài)不斷變化，100 幀時(shí)，KCF、DSST、CSK 算法以及改進(jìn)算法能準(zhǔn)確地跟蹤。311 幀時(shí)，背景光照發(fā)生了變化，同時(shí)目標(biāo)被同類伙伴遮擋影響了跟蹤，CSK 算法出現(xiàn)跟蹤丟失，本文算法通過(guò)多特征的自適應(yīng)融合，提高了位置濾波器的估計(jì)精確度，尺度濾波器又能很好的應(yīng)對(duì)跟蹤目標(biāo)尺度變化的挑戰(zhàn)，相比同類算法，本文算法能準(zhǔn)確地跟蹤目標(biāo)，又能達(dá)到一定的實(shí)時(shí)性。Basketball 視頻中跟蹤目標(biāo)為形變，背景混亂，尺度變化，快速運(yùn)動(dòng)挑戰(zhàn)屬性下的籃球運(yùn)動(dòng)員，剛開(kāi)始各個(gè)算法還能跟蹤到目標(biāo)。到 466 幀之后，KCF、DSST、CSK 算法出現(xiàn)跟蹤漂移現(xiàn)象，目標(biāo)慢慢跟丟，改進(jìn)算法還能穩(wěn)定跟蹤到目標(biāo)。表明了改進(jìn)算法的魯棒性強(qiáng)準(zhǔn)確度高。Car Scale 視頻中，跟蹤目標(biāo)為尺度變化、遮擋、快速運(yùn)動(dòng)、平面內(nèi)旋轉(zhuǎn)、平面外旋轉(zhuǎn)挑戰(zhàn)屬性下的汽車，汽車由遠(yuǎn)及近的駛來(lái)，目標(biāo)由小變大進(jìn)入視野，#180 幀時(shí)汽車的尺度變大了許多，KCF 算法跟蹤框大小始終固定不變，但本文算法仍能隨著目標(biāo)尺度的變大而自適應(yīng)改變。

【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)特征融合的多尺度相關(guān)濾波目標(biāo)跟蹤算法[J]. 陳智,柳培忠,駱炎民,汪鴻翔,杜永兆.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(11)
[2]一種抗遮擋核相關(guān)濾波目標(biāo)跟蹤算法[J]. 閆河,張楊,楊曉龍,王鵬,董鶯艷.  光電子·激光. 2018(06)
[3]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識(shí)別與人工智能. 2018(01)
[4]基于自適應(yīng)特征選擇的多尺度相關(guān)濾波跟蹤[J]. 沈秋,嚴(yán)小樂(lè),劉霖楓,孔繁鏘,王丹丹.  光學(xué)學(xué)報(bào). 2017(05)
[5]基于特征融合的粒子濾波目標(biāo)跟蹤新方法[J]. 閆河,劉婕,楊德紅,王樸,金煒.  光電子.激光. 2014(10)
[6]目標(biāo)跟蹤技術(shù)綜述[J]. 高文,朱明,賀柏根,吳笑天.  中國(guó)光學(xué). 2014(03)
[7]利用HOG-LBP自適應(yīng)融合特征實(shí)現(xiàn)禁令交通標(biāo)志檢測(cè)[J]. 陳龍,潘志敏,毛慶洲,李清泉.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2013(02)
[8]應(yīng)用Mean Shift和分塊的抗遮擋跟蹤[J]. 顏佳,吳敏淵,陳淑珍,張青林.  光學(xué)精密工程. 2010(06)

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(guó)崇.南昌航空大學(xué) 2018
[2]基于核相關(guān)濾波的運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D]. 陳莉.湖南大學(xué) 2018
[3]基于核相關(guān)濾波器的目標(biāo)跟蹤研究[D]. 李文靜.哈爾濱理工大學(xué) 2018
[4]聯(lián)合判別與生成模型的目標(biāo)跟蹤算法研究[D]. 周華爭(zhēng).蘇州大學(xué) 2017
[5]融合上下文信息的相關(guān)濾波跟蹤算法研究[D]. 施睿.華南理工大學(xué) 2017
[6]基于核相關(guān)濾波的目標(biāo)跟蹤算法研究及改進(jìn)[D]. 劉洋.北京理工大學(xué) 2016



本文編號(hào)：3233170