目標跟蹤作為計算機視覺中的重要課題之一,極具現(xiàn)實意義和應用價值,在人機交互、智能監(jiān)控、醫(yī)療診斷、無人駕駛等應用領(lǐng)域發(fā)揮著重要作用。雖然近些年目標跟蹤技術(shù)不斷取得重大的進展,但由于實際應用場景的多樣性和復雜性,給目標跟蹤技術(shù)帶來了巨大的挑戰(zhàn),因此目標跟蹤技術(shù)的研究仍是一個極具科研價值和挑戰(zhàn)性的課題。目標跟蹤技術(shù)的難點是保證算法對各種復雜場景的適應能力,并兼顧算法的性能。本文針對目標跟蹤的技術(shù)難點,在相關(guān)工作的基礎(chǔ)上,從目標特征和跟蹤模型上進行研究,以提高算法在各種復雜跟蹤場景中的魯棒性和準確性,并在此基礎(chǔ)上盡量提升算法的實時性。本文選取生成式跟蹤方法中的Mean Shift跟蹤框架和判別式跟蹤方法中的相關(guān)濾波跟蹤框架進行研究,主要研究工作和成果如下:（1）在Mean Shift跟蹤框架下,針對跟蹤場景中背景干擾和遮擋對跟蹤算法性能和魯棒性的影響,提出了一種基于多通道提取AHLBP（Adaptive Haar Local Binary Pattern）紋理特征的目標跟蹤算法。本算法在分析了HLBP（Haar Local Binary Pattern）紋理在表達圖像特征中存在的缺陷之后,考慮... 

【文章來源】：河南工業(yè)大學河南省

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

生成式跟蹤方法的基本框架

河南工業(yè)大學碩士學位論文使用在線學習的核結(jié)構(gòu)輸出支持向量機（SupportVectorMachine，SVM）提供自適應跟蹤，給出了基于結(jié)構(gòu)輸出預測的自適應跟蹤框架。為了使跟蹤器能夠以高幀率運行，引入一種預算機制，防止跟蹤過程中支持向量數(shù)量的無限增長，在一定程度上優(yōu)化了算法對文獻[32]的 Struck 跟蹤算法而言，在進行訓練時選擇的優(yōu)化算法復雜度高，限制了跟蹤速度。Ning 等[33]針對此限制，使用新的優(yōu)化算法 DCD（DualCoordinateDescent），同時利用顯式的特征映射圖來取代 Struck 的非線性核，跟蹤效果得到明顯改善。將所提出的帶多尺度估計的 DLSSVM（Dual Linear StructuredSVM）跟蹤器進行擴展，也可以解決跟蹤“漂移”問題。

ft 又稱均值漂移，是一種基于密度梯度的非參數(shù)估計方法法被 Fukunaga 等人[47]首次提出，該算法通過不斷的偏移迭收斂。后來 ChengY[48]引入核函數(shù)并設(shè)定權(quán)重系數(shù)對算法進了實用價值，被廣泛應用到計算機領(lǐng)域。2003 年，Comanft 算法應用到目標跟蹤中，對目標跟蹤技術(shù)的發(fā)展產(chǎn)生了hift 算法的原理進行闡述，并介紹 Mean Shift 跟蹤算法的hift 算法原理ft 算法就是從任一起始點開始，沿核密度梯度增加的方向移度函數(shù)的局部極大值的過程。圖 3—圖 5 是對算法過程的圖定空間范圍，并選擇感興趣區(qū)域即迭代窗口大小，設(shè)定起向量，如圖 3 所示。感興趣


本文編號：3248243