近年來人工智能發(fā)展迅猛,而計(jì)算機(jī)視覺作為人工智能的一個(gè)重要領(lǐng)域,受到了研究人員的密切關(guān)注。目標(biāo)跟蹤作為計(jì)算機(jī)視覺領(lǐng)域的重要組成部分,在許多領(lǐng)域也都有著廣泛的應(yīng)用。然而,在實(shí)際的工業(yè)生產(chǎn)等復(fù)雜環(huán)境下的目標(biāo)跟蹤算法面臨物體運(yùn)動(dòng)速度快、產(chǎn)品相似度高等具有挑戰(zhàn)性的外部環(huán)境的干擾。因此在復(fù)雜背景中對(duì)移動(dòng)物體進(jìn)行有效跟蹤是目前的一個(gè)研究難題。面對(duì)當(dāng)前存在的問題,本文應(yīng)用模板更新策略對(duì)移動(dòng)物體跟蹤算法進(jìn)行研究,該策略的使用可以有效解決復(fù)雜背景下目標(biāo)跟蹤失敗問題,有效提高算法的整體成功率和準(zhǔn)確度。該策略的實(shí)施主要可分為以下3個(gè)過程:首先,對(duì)當(dāng)前目標(biāo)所處環(huán)境進(jìn)行判斷后本文使用所提模板更新策略。使用綜合的響應(yīng)值段、灰度直方圖和APCEm值方法進(jìn)行環(huán)境判斷。若當(dāng)前環(huán)境比較復(fù)雜便使用所提模板更新策略。使用快速的LK光流法預(yù)測(cè)目標(biāo)下一幀可能出現(xiàn)的位置。之后在預(yù)測(cè)位置和目標(biāo)當(dāng)前位置處并行地進(jìn)行目標(biāo)檢測(cè),選擇響應(yīng)度更高的作為最終更新結(jié)果。反之,若當(dāng)前環(huán)境正常,則使用原始模板進(jìn)行跟蹤。隨后,將所提策略應(yīng)用于粒子濾波類Diagnose算法和相關(guān)濾波類KCF算法和BACF算法中。在OTB2015數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)... 

【文章來源】：內(nèi)蒙古大學(xué)內(nèi)蒙古自治區(qū) 211工程院校

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

計(jì)算機(jī)視覺及其相關(guān)領(lǐng)域Figure2.1Computervisionandrelatedfields

內(nèi)蒙古大學(xué)碩士學(xué)位論文13的尺寸、方向和視角等變化具有較強(qiáng)的魯棒性，這使得它可以很好的衡量圖像的全局顏色相似度及其顏色分布差異。其中灰度直方圖使用最廣泛，它少量保留了一副圖像中的重要灰度信息（如顏色和數(shù)量），減少了微量灰度信息的干擾，進(jìn)而有效提高計(jì)算效率。故本文選用灰度顏色直方圖輔助目標(biāo)判別。使用灰度直方圖對(duì)目標(biāo)情況進(jìn)行判斷時(shí)，如果當(dāng)前圖像是彩色圖則需先將其轉(zhuǎn)化為灰度圖。本文對(duì)第一幀圖像提取灰度直方圖并保存，之后繼續(xù)提取當(dāng)前第i幀灰度直方圖并與第一幀灰度直方圖進(jìn)行對(duì)比，本文提出一種對(duì)目標(biāo)顏色變化情況的衡量方法，公式表示如下：=((()(1)))(3.2)其中()為第i幀的灰度直方圖，(1)為第一幀的灰度直方圖。為當(dāng)前幀與初始幀顏色直方圖的平均變化值。因此當(dāng)值較大時(shí)，表明當(dāng)前目標(biāo)與初始要跟蹤的目標(biāo)有較大的偏差，當(dāng)值較小時(shí)，表明當(dāng)前跟蹤較為穩(wěn)定。3.1.3APCEm值目標(biāo)跟蹤中常用的最大響應(yīng)值并不能準(zhǔn)確反應(yīng)響應(yīng)圖的震蕩程度，最大響應(yīng)值一定是峰值，而峰值不一定是最大響應(yīng)值。因此真實(shí)位置對(duì)應(yīng)峰值并非最大響應(yīng)值時(shí)，當(dāng)前的最大響應(yīng)值對(duì)應(yīng)峰值也并非是目標(biāo)真實(shí)所處位置。如下圖3.1展示了Tiger2序列在KCF、KCFM算法和Ground-Truth在第107幀和108幀的跟蹤情況。圖3.1目標(biāo)所處不同位置對(duì)應(yīng)目標(biāo)響應(yīng)度圖Figure3.1Responsivenessmapofobjectindifferentpositions其中，紅色框?yàn)槭褂昧吮疚乃岵呗缘腒CFM算法跟蹤結(jié)果，綠色框?yàn)樵璌CF算法跟蹤結(jié)果，紅色框?yàn)镚round-Truth值。圖中的最左列為各算法的跟蹤效果圖，中間列為KCF算#107#107#108#108KCF算法響應(yīng)度圖KCF算法響應(yīng)度圖KCFM算法響應(yīng)度圖KCFM算法響應(yīng)度圖

內(nèi)蒙古大學(xué)碩士學(xué)位論文276形變Deformation（DEF）非剛性目標(biāo)形變。7平面內(nèi)旋轉(zhuǎn)In-PlaneRotation（IPR）目標(biāo)在圖像平面中旋轉(zhuǎn)。8平面外旋轉(zhuǎn)Out-of-PlaneRotation（OPR）目標(biāo)不在圖像平面中旋轉(zhuǎn)。9出視野Out-of-View（OV）部分目標(biāo)離開視野。10背景雜波BackgroundClutter(BC)目標(biāo)附近的背景和目標(biāo)有相似的顏色或者紋理。11低分辨率LowRotation(LR)真實(shí)邊界框內(nèi)的像素?cái)?shù)小于（=400）。下圖5.1展示了在視頻序列中面臨部分子屬性的情況。從上到下行對(duì)應(yīng)的視頻序列分別為Singer1、CarScale、FaceOcc1和Boy序列。面臨的主要子屬性分別為光照變化、尺度變化、遮擋以及旋轉(zhuǎn)。圖5.1OTB中部分子屬性表現(xiàn)情況Figure5.1Performanceofsomesub-attributesinOTB5.1.2跟蹤算法評(píng)價(jià)指標(biāo)在OTB中通常使用一次性通過評(píng)估（OPE）作為算法的魯棒性評(píng)價(jià)接口，此外，還可以使用時(shí)間魯棒性評(píng)估（TRE）和空間魯棒性評(píng)估（SRE）對(duì)算法的魯棒性進(jìn)行評(píng)價(jià)。一次性通Singer1CarScaleFaceOcc1Boy


本文編號(hào)：3547699