目標跟蹤是計算機視覺領(lǐng)域研究重點之一,在自動駕駛、智能交通監(jiān)控等諸多領(lǐng)域都有很大的實用價值。目前,最主流的跟蹤算法是基于判別類的相關(guān)濾波跟蹤算法,但在一些復(fù)雜的跟蹤環(huán)境下,這些算法仍有待繼續(xù)深入研究。在實際應(yīng)用中,多目標跟蹤需要對眾多目標同時進行追蹤,如果僅使用目標檢測算法或單目標跟蹤算法是無法實現(xiàn)的,針對此問題,需要一個具有高魯棒性的多目標跟蹤算法�；谏鲜龇治�,本文提出一種基于相關(guān)濾波跟蹤器的超像素分割驅(qū)動跟蹤算法,以解決傳統(tǒng)相關(guān)濾波算法對于旋轉(zhuǎn)、尺度變化等情況跟蹤性能差的問題。將輸入視頻序列進行超像素分割,建立一個基于超像素的表觀模型,能夠有效捕捉目標的外觀變化,有效解決目標跟蹤中尺度變換的問題。本文將具有抗噪、抗旋轉(zhuǎn)的分層梯度方向直方圖（Pyramid Histogram of Oriented Gradients,PHOG）特征和顏色特征（Color Name,CN）進行結(jié)合,解決了目標平面內(nèi)旋轉(zhuǎn)和平面外旋轉(zhuǎn)的問題。在OTB-2015數(shù)據(jù)集進行實驗,本文提出的算法在AUC指標上達到了65.3%,比傳統(tǒng)的核相關(guān)濾波跟蹤算法（Kernel Correlation Filter,K... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

四個子集的狀態(tài)轉(zhuǎn)移圖

重慶郵電大學(xué)碩士學(xué)位論文第4章基于馬爾科夫決策過程的多目標跟蹤算法43可知，在MOTA指標上，本章提出的算法能夠達到36.5，高于其他兩個對比算法。因為MOTA指標主要結(jié)合了誤報、丟失目標和身份交換次數(shù)這三個數(shù)據(jù)，能夠最有效體現(xiàn)多目標跟蹤器的性能，由此可知，本章提出的多目標跟蹤算法具有較高的性能。圖4.2跟蹤結(jié)果可視化表4.3實驗對比結(jié)果MOTAMOTPMTMLFPFNIDSwFragHzLMP[77]35.572.517.5%42.5%6654662454815950.3文獻[78]33.462.418.2%45.8%75825864232013511.5Ours36.570.820.1%43.6%62566312530810631.24.4本章小結(jié)本章針對多目標跟蹤問題中目標遮擋和快速運動的挑戰(zhàn)因素，提出一種基于馬爾科夫決策過程的多目標跟蹤算法。視頻序列中的每一個目標都建模成具有四個子狀態(tài)空間的MDP，其中四個子狀態(tài)空間包含：活躍、已跟蹤、丟失、不活躍狀態(tài)。目標的出現(xiàn)-消失-出現(xiàn)的過程對應(yīng)MDP中的狀態(tài)轉(zhuǎn)移過程。作為策略學(xué)習(xí)

【參考文獻】：
期刊論文
[1]融合運動信息與表觀信息的多目標跟蹤算法[J]. 黎陽,沈燁,劉敏,戴仁月,姜曉燕.  電子科技. 2020(09)
[2]一種融合卡爾曼濾波的改進時空上下文跟蹤算法[J]. 趙洲,黃攀峰,陳路.  航空學(xué)報. 2017(02)
[3]履帶式拖拉機自動駕駛系統(tǒng)路徑智能跟蹤控制研究[J]. 譚德權(quán),蔣蘋,羅亞輝,胡文武.  中國農(nóng)學(xué)通報. 2016(17)
[4]加權(quán)的超像素級時空上下文目標跟蹤[J]. 王淑敏,宮寧生,陳逸韜.  計算機應(yīng)用研究. 2017(01)
[5]多特征自適應(yīng)融合的軍事偽裝目標跟蹤[J]. 李科,徐克虎,張波.  計算機工程與應(yīng)用. 2012(34)
[6]粒子濾波算法研究進展與展望[J]. 張詩桂,朱立新,趙義正.  自動化技術(shù)與應(yīng)用. 2010(06)
[7]一種改進的光流場計算方法[J]. 吳新根,羅立民.  電子學(xué)報. 2000(01)

碩士論文
[1]基于深度學(xué)習(xí)的物體檢測與跟蹤方法的研究[D]. 曾鈺廷.東華理工大學(xué) 2018
[2]智能視頻監(jiān)控系統(tǒng)中移動目標的檢測與跟蹤[D]. 李斐然.成都理工大學(xué) 2018



本文編號：3296329