隨著近幾年人工智能的興起,計(jì)算機(jī)視覺(jué)越來(lái)越受到重視。在目標(biāo)跟蹤應(yīng)用場(chǎng)景中,會(huì)出現(xiàn)遮擋、形變、旋轉(zhuǎn)、光照變化、背景模糊等各種干擾,這些干擾所帶來(lái)的挑戰(zhàn)一直是值得研究的課題�，F(xiàn)如今已有的目標(biāo)跟蹤算法眾多,雖各有所長(zhǎng),但仍然有值得改進(jìn)的地方。在這些跟蹤算法中,DAT算法（Distractor-Aware Tracking）通過(guò)統(tǒng)計(jì)顏色特征,預(yù)先探測(cè)出與目標(biāo)相似的干擾區(qū)域和周圍區(qū)域,然后將其加權(quán)相結(jié)合,這樣有效地降低了傳統(tǒng)顏色特征在跟蹤過(guò)程中出現(xiàn)的“漂移”現(xiàn)象,實(shí)現(xiàn)了對(duì)背景相似的目標(biāo)跟蹤。但是當(dāng)目標(biāo)發(fā)生遮擋情況時(shí),由于目標(biāo)信息的丟失,會(huì)導(dǎo)致跟蹤失敗。針對(duì)DAT算法在目標(biāo)發(fā)生遮擋時(shí)的不足,本文在原有的DAT算法框架上,提出了一種基于遮擋檢測(cè)的目標(biāo)跟蹤算法——DDAT（Detection-DAT）算法。DDAT算法引入遮擋檢測(cè)機(jī)制,該機(jī)制首先提取目標(biāo)的顏色特征,建立目標(biāo)相似度模型,利用相似度模型計(jì)算幀間目標(biāo)的相似度,然后通過(guò)相似度差值的閾值來(lái)判定目標(biāo)是否發(fā)生了遮擋。當(dāng)發(fā)生了目標(biāo)遮擋時(shí),啟動(dòng)檢測(cè)機(jī)制,并提取遮擋前一幀的目標(biāo)相似度模型;在遮擋開(kāi)始的后續(xù)幀中,利用樸素貝葉斯分類器得到較優(yōu)的候選目標(biāo)框,最... 

【文章來(lái)源】：湘潭大學(xué)湖南省

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

目標(biāo)跟蹤

132.2DAT算法基本框架在2015年的CVPR會(huì)議上，HorstPossegger等人提出的一種無(wú)模型統(tǒng)計(jì)顏色特征的目標(biāo)跟蹤算法[61]，在跟蹤過(guò)程中預(yù)先判斷出與目標(biāo)相似的干擾區(qū)域(Distractor-AwareTracking，簡(jiǎn)稱DAT)，并與正確的目標(biāo)區(qū)域加權(quán)相結(jié)合，降低了傳統(tǒng)利用顏色特征跟蹤算法經(jīng)常出現(xiàn)“漂移”的現(xiàn)象。在考慮了尺度變化的情況下，還保持較高的幀率，能達(dá)到實(shí)時(shí)跟蹤的效果。顏色分布直方圖曾是廣大研究人員的第一選擇，雖然后來(lái)被一些HOG、ORB等形狀特征所取代，但HorstPossegger等人仍相信顏色特征有所作為，提出了DAT算法。HorstPossegger等人基于以下兩個(gè)主要需求來(lái)提出后面的DAT算法框架：a）在連續(xù)幀中有用的模型需要從背景中區(qū)分出目標(biāo)，既前后景分離，b）目標(biāo)的干擾區(qū)域需要被預(yù)先檢測(cè)出來(lái)并得到抑制。2.2.1判別式目標(biāo)模型對(duì)于作者提出的需求a），實(shí)現(xiàn)的方法在2.1.2節(jié)中已經(jīng)有舉例說(shuō)明，在此不再贅述。對(duì)于后續(xù)的特征提取，基于產(chǎn)生式混合判別式的模型具有高準(zhǔn)確性，因此可以得到每幀視頻圖像中每一個(gè)像素點(diǎn)所對(duì)應(yīng)的顏色區(qū)間（原文中未提到使用的顏色空間是哪一種，本文改進(jìn)算法采用Lab顏色模型）。Lab顏色模型：Lab顏色空間是一種基于生理特征的顏色模型，它不同于RGB和CMYK兩種色彩模型受設(shè)備的影響。Lab顏色模型由亮度L，及a和b兩個(gè)顏色通道三個(gè)部分組成。L代表亮度，由暗（黑色）到亮（白色），a是從墨綠到灰白再到粉紅（從低亮到高亮）,b是從藍(lán)黑到灰白再到金黃（從低亮到高亮）。圖2.3Lab顏色空間模型

14根據(jù)貝葉斯公式得到在搜索區(qū)域內(nèi)屬于目標(biāo)區(qū)域的概率：{,}||,,|xxxOSPbxOPxOPxOSbPbxPx公式（2-8）其中|I/||xOxPbxOHbO，PxO|O|/|O||S|。那么公式（2-8）可以簡(jiǎn)化成公式（2-9）：if|,,0.5otherwise{IOxIIOxSxxHbHbHbIxIOSPxOSb公式（2-9）其中IHb表示在區(qū)域I上直方圖H的第b個(gè)bin。圖2.4目標(biāo)-周圍區(qū)域同理，將公式（2-9）的周圍區(qū)域換成干擾區(qū)域得到公式（2-10）：if|,,0.5otherwise{IOxIIOxDxxHbHbHbIxIODPxODb公式（2-10）

【參考文獻(xiàn)】：
期刊論文
[1]融合相關(guān)粒子濾波目標(biāo)跟蹤算法[J]. 鄒承明,明成龍,李成龍.  計(jì)算機(jī)工程與應(yīng)用. 2020(07)
[2]目標(biāo)跟蹤算法綜述[J]. 孟琭,楊旭.  自動(dòng)化學(xué)報(bào). 2019(07)
[3]基于局部敏感直方圖的魯棒目標(biāo)跟蹤[J]. 米向榮,曹建芳.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(11)
[4]基于改進(jìn)核相關(guān)濾波器的目標(biāo)跟蹤算法[J]. 江維創(chuàng),張俊為,桂江生.  計(jì)算機(jī)工程. 2018(11)
[5]基于目標(biāo)檢測(cè)的時(shí)空上下文跟蹤算法[J]. 李瓏,劉凱,李玲.  計(jì)算機(jī)工程. 2018(09)
[6]基于相關(guān)濾波器的目標(biāo)抗遮擋算法[J]. 王凱宇,陳志國(guó),傅毅.  激光與光電子學(xué)進(jìn)展. 2019(03)
[7]基于局部直方圖的多區(qū)域目標(biāo)跟蹤算法[J]. 衛(wèi)保國(guó),趙思同,文緒亮.  計(jì)算機(jī)工程與應(yīng)用. 2018(14)
[8]Comparison of three fluorescence labeling and tracking methods of endothelial progenitor cells in laser-injured retina[J]. Hui Shi,Xin-Rui Wang,Ming-Chao Bi,Wei Yang,Dan Wang,Hai-Le Liu,Ling-Ling Liang,Xiao-Hong Li,Qian Hao,Zhi-Hua Cui,E Song.  International Journal of Ophthalmology. 2018(04)
[9]改進(jìn)的SAMF目標(biāo)跟蹤算法[J]. 李大湘,吳玲風(fēng),李娜,劉穎.  計(jì)算機(jī)工程. 2019(02)
[10]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)

碩士論文
[1]基于遮擋檢測(cè)的粒子濾波行人目標(biāo)跟蹤算法研究[D]. 李春蘭.深圳大學(xué) 2017
[2]基于MeanShift的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤研究[D]. 徐驍翔.浙江工業(yè)大學(xué) 2015



本文編號(hào)：3574604