目標(biāo)跟蹤作為計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)重要的研究分支,廣泛應(yīng)用于智能安防與監(jiān)控、人機(jī)交互、智能交通等領(lǐng)域。在實(shí)際跟蹤過(guò)程中,目標(biāo)容易受外界光照變化、尺度變化、周圍背景信息變化、旋轉(zhuǎn)、運(yùn)動(dòng)模糊、快速運(yùn)動(dòng)等因素影響,導(dǎo)致跟蹤結(jié)果不準(zhǔn)確,如何實(shí)現(xiàn)對(duì)這些復(fù)雜場(chǎng)景下目標(biāo)的魯棒跟蹤,是目標(biāo)跟蹤領(lǐng)域存在的難點(diǎn)之一。自相關(guān)濾波理論應(yīng)用到目標(biāo)跟蹤領(lǐng)域后,取得了很好的跟蹤效果,在提高目標(biāo)跟蹤準(zhǔn)確性的同時(shí),算法處理速度得到了一定地提升。但是,相關(guān)濾波算法采用固定的模型更新機(jī)制對(duì)濾波器模型和目標(biāo)特征向量進(jìn)行更新,導(dǎo)致跟蹤模型不能很好地適應(yīng)復(fù)雜場(chǎng)景下的跟蹤。因此,本文重點(diǎn)對(duì)帶有目標(biāo)重定位機(jī)制的相關(guān)濾波跟蹤框架進(jìn)行深入研究,解決復(fù)雜場(chǎng)景下目標(biāo)跟蹤結(jié)果不準(zhǔn)確問(wèn)題。具體研究工作如下:（1）在跟蹤過(guò)程中,為了更好地適應(yīng)復(fù)雜場(chǎng)景下目標(biāo)運(yùn)動(dòng)狀態(tài)和周圍環(huán)境變化,使模型通過(guò)自適應(yīng)學(xué)習(xí)而更新,本文在已有跟蹤框架基礎(chǔ)之上,改進(jìn)自適應(yīng)學(xué)習(xí)模型更新機(jī)制,通過(guò)自適應(yīng)更新學(xué)習(xí)率,讓模型能夠保持對(duì)復(fù)雜場(chǎng)景下目標(biāo)的辨別能力和跟蹤性能。（2）同時(shí),針對(duì)目標(biāo)所處復(fù)雜環(huán)境的不同,在已有跟蹤框架基礎(chǔ)之上,通過(guò)動(dòng)態(tài)調(diào)整檢測(cè)閾值,增加了判斷跟蹤結(jié)果是否可靠的廣... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

目標(biāo)跟蹤技術(shù)

重慶郵電大學(xué)碩士學(xué)位論文第1章緒論5同的遮擋判斷策略，一定程度上降低了目標(biāo)遮擋對(duì)目標(biāo)跟蹤算法的影響。文獻(xiàn)[17]提出一種學(xué)習(xí)支持相關(guān)濾波的目標(biāo)跟蹤算法，該算法主要是提升目標(biāo)跟蹤算法的運(yùn)算速度和跟蹤結(jié)果的準(zhǔn)確性。文獻(xiàn)[18]提出一種基于目標(biāo)分塊的MeanShift目標(biāo)跟蹤算法，一定程度上解決了由目標(biāo)遮擋而導(dǎo)致的跟蹤結(jié)果不準(zhǔn)確的問(wèn)題。文獻(xiàn)[19]提出一種專門針對(duì)遮擋處理的目標(biāo)跟蹤算法，該算法通過(guò)區(qū)分目標(biāo)是由自身運(yùn)動(dòng)引起的外觀變化還是由背景遮擋所引起的外觀變化，選擇性地更新目標(biāo)外觀模型，如果目標(biāo)外觀變化由自身運(yùn)動(dòng)引起，則更新外觀模型，否則，不更新當(dāng)前模型。文獻(xiàn)[20]提出一種帶有再檢測(cè)機(jī)制的目標(biāo)長(zhǎng)時(shí)跟蹤算法，該算法在跟蹤過(guò)程中，可以恢復(fù)對(duì)跟蹤失敗的目標(biāo)再次跟蹤，達(dá)到了對(duì)目標(biāo)長(zhǎng)時(shí)間持續(xù)跟蹤的目的。1.3復(fù)雜場(chǎng)景下目標(biāo)跟蹤研究難點(diǎn)目標(biāo)跟蹤領(lǐng)域經(jīng)過(guò)幾十年的發(fā)展歷程，取得了非常大的進(jìn)步。但是，在目標(biāo)跟蹤過(guò)程中，仍存在很多復(fù)雜場(chǎng)景因素影響跟蹤的準(zhǔn)確性，如圖1.2所示的背景雜波、運(yùn)動(dòng)模糊、尺度變化、遮擋，以及圖1.3所示的光照變化、形變、平面內(nèi)旋轉(zhuǎn)、快速運(yùn)動(dòng)。(a)原圖(b)背景雜波(c)運(yùn)動(dòng)模糊(d)原圖(e)尺度變化(f)遮擋圖1.2復(fù)雜場(chǎng)景下目標(biāo)跟蹤研究難點(diǎn)示例一

重慶郵電大學(xué)碩士學(xué)位論文第1章緒論6(a)原圖(b)光照變化(c)形變(d)原圖(e)平面內(nèi)旋轉(zhuǎn)(f)快速運(yùn)動(dòng)圖1.3復(fù)雜場(chǎng)景下目標(biāo)跟蹤研究難點(diǎn)示例二當(dāng)前的目標(biāo)跟蹤方法都是針對(duì)某一個(gè)或幾個(gè)復(fù)雜場(chǎng)景因素做處理，不能做到成功處理所有復(fù)雜場(chǎng)景因素，因此，實(shí)現(xiàn)對(duì)復(fù)雜場(chǎng)景下目標(biāo)的魯棒跟蹤成為了當(dāng)前的研究熱點(diǎn)。在實(shí)際的目標(biāo)跟蹤過(guò)程中，目標(biāo)尺度變化、遮擋、目標(biāo)快速運(yùn)動(dòng)、外界光照變化、目標(biāo)周圍背景雜波、目標(biāo)運(yùn)動(dòng)模糊、目標(biāo)旋轉(zhuǎn)等是目標(biāo)比較容易經(jīng)歷的復(fù)雜場(chǎng)景，如何更好的解決這幾類場(chǎng)景因素對(duì)目標(biāo)跟蹤結(jié)果的影響，是實(shí)現(xiàn)魯棒視覺(jué)跟蹤的關(guān)鍵。尺度變化是由于目標(biāo)由遠(yuǎn)到近或由近到遠(yuǎn)的運(yùn)動(dòng)而產(chǎn)生的大小變化，當(dāng)目標(biāo)產(chǎn)生由遠(yuǎn)到近的運(yùn)動(dòng)時(shí)，目標(biāo)會(huì)慢慢變大，目標(biāo)的跟蹤框會(huì)丟失目標(biāo)的部分邊緣信息，當(dāng)目標(biāo)產(chǎn)生由近到遠(yuǎn)的運(yùn)動(dòng)時(shí)，目標(biāo)會(huì)慢慢變小，目標(biāo)的跟蹤框會(huì)引入很多帶有噪聲的背景信息，如果處理不好目標(biāo)的尺度變化，則會(huì)影響跟蹤的結(jié)果。設(shè)計(jì)一個(gè)目標(biāo)尺度池是處理目標(biāo)尺度變化的常見(jiàn)方式，即在每一幀的跟蹤過(guò)程中，使用尺度大小不同的目標(biāo)跟蹤框來(lái)估計(jì)目標(biāo)，通過(guò)選擇產(chǎn)生最優(yōu)跟蹤結(jié)果的跟蹤框作為當(dāng)前的目標(biāo)跟蹤框。

【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)模板更新和目標(biāo)重定位的相關(guān)濾波器跟蹤[J]. 劉教民,郭劍威,師碩.  光學(xué)精密工程. 2018(08)
[2]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)

博士論文
[1]復(fù)雜環(huán)境下魯棒實(shí)時(shí)目標(biāo)跟蹤技術(shù)研究[D]. 曾凡祥.北京郵電大學(xué) 2017

碩士論文
[1]復(fù)雜場(chǎng)景運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D]. 盧耀坤.電子科技大學(xué) 2019
[2]復(fù)雜場(chǎng)景下的相關(guān)濾波跟蹤算法研究[D]. 谷成剛.安徽大學(xué) 2018
[3]運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤的研究及應(yīng)用[D]. 王虎.中國(guó)海洋大學(xué) 2008



本文編號(hào)：3494432