在計算機(jī)視覺領(lǐng)域中,視覺目標(biāo)跟蹤技術(shù)因其在智能監(jiān)控、場景理解、機(jī)器人導(dǎo)航等眾多領(lǐng)域的廣泛應(yīng)用,受到學(xué)術(shù)界和工業(yè)界的重點(diǎn)關(guān)注。然而,目標(biāo)對象形變、旋轉(zhuǎn)、運(yùn)動模糊、尺度變化以及場景中的光照變化、遮擋、相似物干擾、攝像機(jī)抖動等復(fù)雜多變的因素都使得目標(biāo)跟蹤任務(wù)頗具挑戰(zhàn)。因此,研究更具魯棒性和準(zhǔn)確性的目標(biāo)跟蹤算法仍然是行業(yè)難點(diǎn)。本文針對目前流行的相關(guān)濾波跟蹤算法存在的問題,通過采用有效的多層視覺線索融合的視覺表征方式以解決復(fù)雜挑戰(zhàn)場景中單目標(biāo)跟蹤的準(zhǔn)確性與穩(wěn)定性問題。主要成果如下:為有效減少目標(biāo)跟蹤框內(nèi)背景噪聲對目標(biāo)建模的影響,解決常見的相關(guān)濾波跟蹤算法所采用的整體濾波模板魯棒性不足的問題,本文結(jié)合多層視覺線索的優(yōu)勢進(jìn)行模型構(gòu)建,提出了一種超像素約束的相關(guān)濾波跟蹤算法。在中層視覺線索構(gòu)建中,本文提出了一種新穎的像素級置信度特征來表征超像素,提升了目標(biāo)外觀建模的準(zhǔn)確性。并且,采取的樣本去雜提純操作以及超像素回歸方式獲取了更加準(zhǔn)確有效的前景分割,減輕了跟蹤過程中經(jīng)常出現(xiàn)的形變、遮擋、背景噪聲等復(fù)雜情況帶來的問題。該算法在眾多數(shù)據(jù)集上表現(xiàn)優(yōu)秀。為緩解相關(guān)濾波跟蹤算法經(jīng)常出現(xiàn)的“預(yù)測目標(biāo)漂移到非物體背景... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１所示，視覺目標(biāo)跟蹤的基本問題ｍ是在一個視頻或圖像序列的第一??

使基于相關(guān)濾波的跟蹤方法逐漸成為研究熱點(diǎn)。相關(guān)濾波跟蹤算法將目標(biāo)區(qū)??域的特征表達(dá)回歸為高斯分布形式，以此來學(xué)習(xí)訓(xùn)練濾波模型，并通過在后續(xù)幀??的搜索區(qū)域中尋找響應(yīng)結(jié)果的最大峰值來定位目標(biāo)位置，其框架結(jié)構(gòu)如圖１－２所??示。Ｈｅｎｒｉｑｕｅｓ等人［２２］提出的ＣＳＫ在ＭＯＳＳＥ的基礎(chǔ)上利用循環(huán)矩陣的循環(huán)移位??近似密集采樣，使用快速傅里葉變換對算法進(jìn)行加速計算，利用高斯核計算候選??樣本和上一幀中目標(biāo)區(qū)域的相關(guān)性，將最大響應(yīng)位置視為當(dāng)前幀預(yù)測到的目標(biāo)中??３??

法或人工指定，目標(biāo)跟蹤任務(wù)需要基于初始幀中的目標(biāo)對象，在后續(xù)幀中預(yù)測目??標(biāo)對象的位置和大小。參考王乃巖等人［５５］對這一基本任務(wù)流程的描述，可以按如??下圖２－１的框架對目標(biāo)跟蹤任務(wù)進(jìn)行劃分。??模型更新?ｉ??預(yù)測結(jié)果１??ＰＨ???周Ｉ??輸入楨?運(yùn)動糢型?特征提取?現(xiàn)測糢？?領(lǐng)．到？果３：?集成?最終預(yù)測結(jié)果??圖２－１目標(biāo)跟蹤基本任務(wù)流程圖［５５］??根據(jù)圖２－１所示框架，目標(biāo)跟蹤可被為５個組成部分，其各自的功能總結(jié)如??下。（１）運(yùn)動模型：在前一視頻幀或圖像序列的基礎(chǔ)上，運(yùn)動模型在當(dāng)前視頻或??圖像中得到一組候選的跟蹤目標(biāo)樣本。（２）特征提�。禾卣魈崛∑魇褂媚承┨卣�??表示候選樣本的每個樣本。（３）觀測模型：在己提取特征的基礎(chǔ)上，將全部候選??目標(biāo)樣本輸入觀測模型進(jìn)行判斷，分辨其是否是真實目標(biāo)。（４）模型更新：通??過使用模型更新器，對觀測模型的更新策略和更新頻率進(jìn)行控制。（５）集成方法：??如果該跟蹤系統(tǒng)包含多個跟蹤器，收集所有跟蹤器的輸出數(shù)據(jù)，使用這些數(shù)據(jù)在??集成學(xué)習(xí)模型集進(jìn)行訓(xùn)練，從而將其融合得到更優(yōu)的決策結(jié)果。即，選定初始幀??中目標(biāo)對象的位置和大小


本文編號：3276816