空間正則化相關(guān)濾波方法具有較高的準確性和較好的魯棒性,因此在視頻目標跟蹤領(lǐng)域得到了廣泛的應用。對比目前現(xiàn)有相關(guān)濾波方法,空間正則化的引入解決了傳統(tǒng)方法邊界效應的影響從而實現(xiàn)了性能的提升。但是,空間正則化相關(guān)濾波方法存在兩個方面的缺點。第一,空間正則化的引入造成了計算復雜度的提升,這導致跟蹤算法不能滿足實時跟蹤的要求。第二,傳統(tǒng)空間正則化相關(guān)濾波方法使用的人工設(shè)定的空間正則化權(quán)重矩陣,他沒有包含到目標外形信息并且在跟蹤過程中不能隨著目標外形的變化而變化。這導致跟蹤算法在多變的場景下跟蹤準確性下降。本文針對空間正則化方法的兩個缺點,提出了快速目標自適應空間正則化方法。首先,我們優(yōu)化了濾波器的求解方法,使得我們能夠快速在時域和頻域中求解濾波器。然后,我們通過數(shù)據(jù)驅(qū)動的方式學習到包含目標信息的目標自適應空間正則化權(quán)重矩陣,它可以幫助更好地學習一個有區(qū)分力的濾波器。方法的有效性在目標跟蹤數(shù)據(jù)集OTB-2015和VOT-2016上得到了驗證。在OTB-2015數(shù)據(jù)集中,相比于空間正則化相關(guān)濾波方法,我們的方法取得了5倍的速度提升并且在跟蹤成功率和準確率方面取得了3.7%和3.3%的效果提升。在VO...

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及其發(fā)展
    1.3 視頻目標跟蹤難點分析
    1.4 本文主要研究內(nèi)容及結(jié)構(gòu)安排
        1.4.1 論文主要研究內(nèi)容
        1.4.2 論文結(jié)構(gòu)安排
第2章 視頻目標跟蹤相關(guān)理論
    2.1 引言
    2.2 相關(guān)濾波理論
        2.2.1 傳統(tǒng)相關(guān)濾波方法
        2.2.2 空間正則化相關(guān)濾波方法
        2.2.3 改進相關(guān)濾波方法
    2.3 基于深度學習的目標跟蹤理論
        2.3.1 在線更新目標跟蹤算法
        2.3.2 離線訓練目標跟蹤算法
    2.4 本章小結(jié)
第3章 快速目標自適應空間正則化相關(guān)濾波
    3.1 引言
    3.2 快速空間正則化
    3.3 目標自適應空間正則化
        3.3.1 目標自適應空間正則化的離線訓練
        3.3.2 目標自適應空間正則化的在線更新
    3.4 算法跟蹤框架
        3.4.1 使用特征介紹
        3.4.2 算法初始化
        3.4.3 目標特征更新
        3.4.4 目標檢測
    3.5 算法復雜度分析
    3.6 本章小結(jié)
第4章 實驗結(jié)果與性能分析
    4.1 實驗設(shè)置
        4.1.1 基準算法
        4.1.2 參數(shù)設(shè)定
    4.2 目標跟蹤數(shù)據(jù)集
        4.2.1 OTB數(shù)據(jù)集
        4.2.2 VOT數(shù)據(jù)集
    4.3 對比試驗與結(jié)果分析
        4.3.1 與基準算法的對比試驗
        4.3.2 與現(xiàn)有主流算法的對比試驗
        4.3.3 可視化結(jié)果
        4.3.4 消融實驗
    4.4 實驗結(jié)論
第5章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 工作展望
參考文獻
發(fā)表論文和參加科研情況說明
致謝



本文編號：3897730