為了達到較高的跟蹤精度以及較快的跟蹤速度,傳統(tǒng)的目標跟蹤算法均基于相鄰幀目標位移和視覺特性均勻變化的假設而設計。然而,在無人機和無人艇等存在較大運動速度的視覺平臺上,基于上述假設的目標跟蹤器將有較大概率出現(xiàn)跟蹤失效。針對目標位移變化較大的問題,本文提出了基于由粗到精框架的級聯(lián)跟蹤算法以及基于關鍵點匹配的自適應全圖跟蹤算法。針對動平臺導致的目標視覺特性變化大的問題,本文進一步結合深度學習框架提出了基于長程-短程信息融合的跟蹤算法。本文的主要研究內容如下:針對傳統(tǒng)目標跟蹤算法在大搜索區(qū)域中因背景干擾而導致跟蹤性能下降的問題,本文提出了一種基于由粗到精框架的級聯(lián)跟蹤算法。該算法首先采用基于相關濾波器的跟蹤器在6倍于目標大小的區(qū)域內進行目標潛在區(qū)域的粗搜索。其次,進一步引入基于結構化支撐向量機的跟蹤器進行小范圍內的局部精搜索。最后,對以上兩個跟蹤模型的參數(shù)進行在線學習和更新。該基于由粗到精框架的目標跟蹤器可將目標搜索區(qū)域由常用的2.5倍于目標大小擴大至6倍,有效地提升了動平臺下目標跟蹤的適應性。為進一步提升跟蹤器在動平臺大幅度運動下的適應性,本文提出了基于關鍵點匹配的自適應全圖跟蹤算法。該方法... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：90 頁

【學位級別】：碩士

【部分圖文】：

基于關鍵點匹配的跟蹤示意圖

圖 2- 5 基于相關濾波器與結構化 SVM 的目標跟蹤算法流程圖如圖 2- 5 所示，本章算法利用擴大搜索區(qū)域的相關濾波器粗略定位目標中心位置因搜索區(qū)域擴大導致背景信息占基本樣本比例增加，所以擴大搜索區(qū)域的相關濾波器的定位不夠準確。在粗略確定目標所在區(qū)域后，本算法利用結構化 SVM 跟蹤器在小范圍內通過滑窗采樣確定最終目標的位置。得到新的目標位置后，生成新的訓練樣本，然后在線學習并更新相關濾波器和結構化 SVM 跟蹤器的模型參數(shù)。2.3.1 搜索區(qū)域擴大的相關濾波器跟蹤（1）圖像預處理。在動平臺目標跟蹤的過程中，光照強度、目標背景對比度等因素的變化會導致圖像質量降低。為了維持目標特征的穩(wěn)定，提升跟蹤器的魯棒性，本文算法需要對原始輸入圖像進行圖像預處理。如果原始圖像中目標的尺寸過大（在本文中，目標最大邊長大于 120 像素則認為

中 科 技 大 學 碩 士 學 位 論 的目標位置變化關系。因此該方法的輸出空間是位置變化者 1。將判別函數(shù) f 應用于下一幀中目標位置的預測，即1 1y ( ) arg max ( , )t tP Pt t tf x F x y 在線學習得到的最優(yōu)判別函數(shù)，將在下面的在線學習過程t 幀中預測的目標位置變化關系。學習更新模型參數(shù)

【參考文獻】：
期刊論文
[1]美軍無人機系統(tǒng)發(fā)展應用及啟示[J]. 張昕,苑德春,張超.  軍事交通學院學報. 2019(01)
[2]基于單目視覺的四旋翼飛行器目標跟蹤算法研究[J]. 張立國,李曉松,肖磊,金梅,董浩.  計量學報. 2018(03)
[3]一種用于無人機的目標顏色核相關跟蹤算法研究[J]. 曲蘊杰,莫宏偉,王常虹.  紅外與激光工程. 2018(03)



本文編號：3039487