一直以來目標(biāo)跟蹤技術(shù)都是計(jì)算機(jī)視覺、圖像處理領(lǐng)域的研究熱點(diǎn),其在智能監(jiān)控、視覺導(dǎo)航、智能交通、人機(jī)交互、國(guó)防偵察等領(lǐng)域具有重要應(yīng)用價(jià)值。近三十年來,一直有大量的國(guó)內(nèi)外研究學(xué)者在不斷地研究改進(jìn)目標(biāo)跟蹤算法。但是,由于跟蹤過程中目標(biāo)信息的復(fù)雜性、目標(biāo)的隨機(jī)性、背景干擾和目標(biāo)遮擋等問題,目標(biāo)跟蹤技術(shù)仍然是一個(gè)很有挑戰(zhàn)性的問題。目前雖然成熟的目標(biāo)跟蹤算法有很多種,但是大部分算法都需要特定的環(huán)境和應(yīng)用的范圍。尤其是應(yīng)對(duì)廣泛場(chǎng)景的跟蹤問題一直沒有強(qiáng)魯棒性的算法被提出來,絕大多數(shù)方法都是局限在特定的環(huán)境里,還需要大量的研究。顏色特征和HOG特征是目標(biāo)跟蹤領(lǐng)域中應(yīng)用極為廣泛的兩種目標(biāo)特征,本文將加權(quán)顏色直方圖和HOG特征相融合,并通過PCA降維作為目標(biāo)特征,提高算法在光照條件變化,目標(biāo)發(fā)生形變等情況下的跟蹤魯棒性;針對(duì)目標(biāo)出現(xiàn)遮擋的情況,將粒子群算法應(yīng)用到目標(biāo)跟蹤系統(tǒng)中,優(yōu)化目標(biāo)相似性函數(shù),提出了基于特征融合的粒子群優(yōu)化目標(biāo)跟蹤算法;并針對(duì)慣性權(quán)重調(diào)節(jié)機(jī)制存在的局限性,提出了改進(jìn)的粒子群優(yōu)化目標(biāo)跟蹤算法,在保證算法跟蹤精確度的前提下,顯著提高算法運(yùn)算效率;本文系統(tǒng)地研究了TLD算法的各個(gè)環(huán)節(jié),提出了基... 

【文章來源】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所)吉林省

【文章頁數(shù)】：155 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 相關(guān)領(lǐng)域的研究現(xiàn)狀
        1.2.1 目標(biāo)跟蹤的研究現(xiàn)狀
        1.2.2 粒子群算法的研究現(xiàn)狀
        1.2.3 TLD算法的研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容及章節(jié)安排
第2章 目標(biāo)跟蹤系統(tǒng)基礎(chǔ)理論
    2.1 目標(biāo)跟蹤系統(tǒng)組成
    2.2 常用目標(biāo)跟蹤算法
        2.2.1 邊緣跟蹤
        2.2.2 峰值跟蹤
        2.2.3 Mean-shift跟蹤
        2.2.4 粒子濾波跟蹤
        2.2.5 匹配跟蹤
    2.3 基于匹配跟蹤算法的結(jié)構(gòu)化組成
        2.3.1 目標(biāo)特征提取與相似性度量
        2.3.2 相似性函數(shù)優(yōu)化
    2.4 本章小結(jié)
第3章 顏色特征與HOG特征融合的目標(biāo)跟蹤算法
    3.1 顏色特征與HOG特征融合
        3.1.1 目標(biāo)的顏色特征
        3.1.2 目標(biāo)的HOG特征
        3.1.3 顏色特征與HOG特征融合
    3.2 目標(biāo)相似性度量
    3.3 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
第4章 基于特征融合的粒子群優(yōu)化目標(biāo)跟蹤算法
    4.1 粒子群算法
        4.1.1 粒子群算法的數(shù)學(xué)模型
        4.1.2 粒子群算法的流程與實(shí)現(xiàn)
        4.1.3 粒子群算法的收斂性與參數(shù)選擇
        4.1.4 粒子群算法與其他智能算法的比較
    4.2 基于多特征融合的粒子群優(yōu)化目標(biāo)跟蹤算法
        4.2.1 粒子群算法參數(shù)選擇
        4.2.2 基于多特征融合的粒子群優(yōu)化目標(biāo)跟蹤算法流程
    4.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第5章 改進(jìn)的粒子群優(yōu)化目標(biāo)跟蹤算法
    5.1 粒子群算法中慣性權(quán)重調(diào)節(jié)機(jī)制存在的局限性
    5.2 改進(jìn)的粒子群優(yōu)化目標(biāo)跟蹤
        5.2.1 改進(jìn)的粒子群優(yōu)化方法
        5.2.2 改進(jìn)的粒子群優(yōu)化目標(biāo)跟蹤流程
    5.3 改進(jìn)的粒子群優(yōu)化目標(biāo)跟蹤算法實(shí)驗(yàn)結(jié)果與分析
        5.3.1 改進(jìn)跟蹤算法定性分析
        5.3.2 改進(jìn)跟蹤算法定量分析
        5.3.3 改進(jìn)前后跟蹤算法運(yùn)算效率比較
    5.4 本章小結(jié)
第6章 基于TLD模型的粒子群優(yōu)化目標(biāo)跟蹤算法
    6.1 Tracking-Learning-Detection跟蹤模型
        6.1.1 TLD模型的跟蹤模塊
        6.1.2 TLD模型的檢測(cè)模塊
        6.1.3 TLD模型的學(xué)習(xí)模塊
    6.2 基于TLD模型的粒子群目標(biāo)跟蹤算法的檢測(cè)模塊
    6.3 基于TLD模型的粒子群目標(biāo)跟蹤算法的檢測(cè)模塊
        6.3.1 TLD 算法分類器的局限性
        6.3.2 自適應(yīng)調(diào)節(jié)方差閾值的分類器
        6.3.3 實(shí)驗(yàn)結(jié)果與分析
    6.4 基于TLD模型的粒子群目標(biāo)跟蹤算法的學(xué)習(xí)模塊
        6.4.1 TLD算法在線樣本更新問題
        6.4.2 引入樣本刪除機(jī)制的學(xué)習(xí)模塊
        6.4.3 實(shí)驗(yàn)結(jié)果與分析
    6.5 基于TLD模型的粒子群目標(biāo)跟蹤算法流程
    6.6 基于TLD模型的粒子群目標(biāo)跟蹤算法實(shí)驗(yàn)結(jié)果與分析
        6.6.1 改進(jìn)跟蹤算法定性分析
        6.6.2 改進(jìn)跟蹤算法定量分析
    6.7 本章小結(jié)
第7章 總結(jié)與展望
    7.1 全文工作總結(jié)
    7.2 論文主要?jiǎng)?chuàng)新點(diǎn)
    7.3 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果


【參考文獻(xiàn)】：
期刊論文
[1]CSK在智能交通系統(tǒng)中的應(yīng)用展望[J]. 楊智,賈子彥.  物聯(lián)網(wǎng)技術(shù). 2019(02)
[2]邊緣粒子濾波多目標(biāo)跟蹤改進(jìn)算法研究[J]. 石治國(guó),吳銘,郝云鵬,施冬磊.  計(jì)算機(jī)與數(shù)字工程. 2019(02)
[3]一種新的HOG特征人臉圖像識(shí)別算法研究[J]. 伊力哈木·亞爾買買提.  電子器件. 2019(01)
[4]基于顏色特征和尺度自適應(yīng)的時(shí)空上下文算法[J]. 周海英,李松玥.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(02)
[5]基于類別隨機(jī)化的隨機(jī)森林算法[J]. 關(guān)曉薔,龐繼芳,梁吉業(yè).  計(jì)算機(jī)科學(xué). 2019(02)
[6]基于S型函數(shù)的自適應(yīng)粒子群優(yōu)化算法[J]. 黃洋,魯海燕,許凱波,胡士娟.  計(jì)算機(jī)科學(xué). 2019(01)
[7]基于TLD與SVM相結(jié)合的視頻行人跟蹤算法[J]. 尚永生,李奇林.  通信技術(shù). 2018(12)
[8]基于圖像伺服控制的TLD算法[J]. 劉豪,曹凱,王光庭.  山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[9]基于TLD和fDSST的長(zhǎng)時(shí)間目標(biāo)跟蹤算法[J]. 李軼錕,吳慶憲,丁晟輝,胡鯤.  電光與控制. 2019(04)
[10]采用核相關(guān)濾波的快速TLD視覺目標(biāo)跟蹤[J]. 王姣堯,侯志強(qiáng),余旺盛,廖秀峰,陳傳華.  中國(guó)圖象圖形學(xué)報(bào). 2018(11)

博士論文
[1]粒子群算法研究及其工程應(yīng)用案例[D]. 邵晴.吉林大學(xué) 2017
[2]機(jī)載光電平臺(tái)穩(wěn)定跟蹤系統(tǒng)關(guān)鍵技術(shù)研究[D]. 王宣.中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所 2017
[3]基于稀疏表示的目標(biāo)跟蹤技術(shù)研究[D]. 陳典兵.中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所 2017
[4]基于核函數(shù)的目標(biāo)跟蹤算法研究[D]. 田浩.長(zhǎng)安大學(xué) 2016
[5]復(fù)雜條件下運(yùn)動(dòng)目標(biāo)跟蹤方法的研究[D]. 程帥.長(zhǎng)春理工大學(xué) 2016
[6]基于線性表示模型的在線視覺跟蹤算法研究[D]. 王棟.大連理工大學(xué) 2013
[7]粒子濾波跟蹤方法研究[D]. 姚劍敏.中國(guó)科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所） 2005

碩士論文
[1]基于顏色表示的尺度自適應(yīng)實(shí)時(shí)目標(biāo)跟蹤[D]. 張志凡.南京郵電大學(xué) 2018
[2]基于Mean Shift的運(yùn)動(dòng)目標(biāo)跟蹤方法研究[D]. 石雪楠.東北電力大學(xué) 2018
[3]基于TLD框架的目標(biāo)跟蹤算法的研究[D]. 宗家輝.西安電子科技大學(xué) 2018
[4]基于ARM處理器的TLD目標(biāo)跟蹤算法實(shí)現(xiàn)和優(yōu)化[D]. 黃福山.西安電子科技大學(xué) 2018
[5]復(fù)雜環(huán)境下的CT目標(biāo)跟蹤算法研究[D]. 李曉行.西安工程大學(xué) 2018
[6]融合改進(jìn)粒子群算法的圖像檢索研究[D]. 薛丹.中北大學(xué) 2018
[7]粒子群優(yōu)化算法的改進(jìn)研究[D]. 張洵.渤海大學(xué) 2017
[8]基于TLD的長(zhǎng)時(shí)間目標(biāo)跟蹤算法研究[D]. 孫保基.中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所 2017
[9]基于TLD框架的在線目標(biāo)跟蹤算法研究[D]. 劉興云.華僑大學(xué) 2016
[10]基于三維彩色直方圖均衡化的彩色圖像增強(qiáng)算法研究[D]. 宋玉婷.山東財(cái)經(jīng)大學(xué) 2013



本文編號(hào)：3187094