【摘要】：目標跟蹤具備重要的科研價值,且被普遍應(yīng)用于視頻監(jiān)控、智能交通等之中,近年來一直都是機器視覺研究當(dāng)中的熱點問題。針對目標跟蹤問題,當(dāng)下已提出眾多研究算法。雖然這些跟蹤算法具有一定的魯棒性,但由于被跟蹤目標外觀在跟蹤過程中易因受到光照、遮擋等外界因素的影響發(fā)生變化,使得視覺目標跟蹤仍然是一個難點問題。壓縮感知理論作為信號領(lǐng)域的研究熱點,因其具有簡單、高效、實時等優(yōu)點,在跟蹤領(lǐng)域也獲得了廣泛使用。由研究證明,通過壓縮感知技術(shù)獲取的低維壓縮信號可基本保留原信號的全部特性,從而可在保證計算精度的前提下大幅提高運算效率。利用壓縮感知理論設(shè)計的跟蹤算法能夠獲取快速、魯棒的跟蹤結(jié)果。但此類算法在獲取圖片的多尺度表示,生成目標高維特征時,未考慮隨著濾波器尺寸的增大,由濾波產(chǎn)生的有效特征逐漸減少。同時算法在度量目標與候選樣本之間的相似性時,僅將每個弱分類器分類結(jié)果進行簡單疊加,處理策略過于單一。當(dāng)目標因受到光照、遮擋等外界因素的影響外觀發(fā)生變化時,易降低跟蹤精度使得結(jié)果出現(xiàn)偏差。本文針對上述問題,提出特征加權(quán)的快速壓縮感知目標跟蹤算法,通過生成準確的高維特征及更加高效的相似性度量機制來獲取跟蹤,具體工作如下:(1)研究學(xué)習(xí)壓縮感知理論,深入了解信號稀疏表示理論、設(shè)計觀測矩陣的方法和其常用分類、重構(gòu)信號算法以及壓縮感知降維等。實驗論證壓縮跟蹤算法的有效性,發(fā)現(xiàn)此類壓縮跟蹤算法中存在的不足并進行分析與解決;(2)依據(jù)濾波器尺寸提出自適應(yīng)加權(quán)策略來提取樣本的多尺度特征,進而生成高維特征描述。該方法能夠解決隨著濾波器尺寸的增大,導(dǎo)致獲取到的樣本有效特征逐漸減少的問題,確保跟蹤使用特征的準確性;(3)兼顧考慮每個弱分類器的疊加和與候選樣本各維壓縮特征被分類為目標壓縮特征的可能性,提出了高效的相似性度量機制。該方法解決了之前衡量樣本與目標相似性方式單一的問題。本文與當(dāng)下現(xiàn)有的此類壓縮跟蹤算法在多個測試視頻序列中進行對比,結(jié)果可知,本文所提算法具有更優(yōu)的跟蹤性能。
[Abstract]:Target tracking has important scientific research value, and is widely used in video surveillance, intelligent transportation and so on. In recent years, it has been a hot issue in machine vision research. Many algorithms have been proposed for target tracking. Although these tracking algorithms have some robustness, the visual target tracking is still a difficult problem because the appearance of the target is easily affected by illumination, occlusion and other external factors in the tracking process. As a research hotspot in signal field, compression sensing theory has been widely used in the field of tracking because of its advantages of simplicity, efficiency and real-time. It is proved by the research that the low dimensional compression signal obtained by compression sensing technology can basically retain all the characteristics of the original signal, thus greatly improving the computational efficiency on the premise of guaranteeing the calculation accuracy. The tracking algorithm based on compressed sensing theory can obtain fast and robust tracking results. However, in obtaining the multi-scale representation of the image and generating the high-dimensional feature of the target, this algorithm does not consider that the effective feature generated by the filter decreases gradually with the increase of the size of the filter. At the same time, when measuring the similarity between the target and the candidate samples, the algorithm simply superposes the classification results of each weak classifier, and the processing strategy is too single. When the external factors such as illumination and occlusion affect the appearance of the target, it is easy to reduce the tracking accuracy and make the results deviate. In order to solve the above problems, this paper proposes a feature weighted fast compressed perceptual target tracking algorithm, which obtains tracking by generating accurate high-dimensional features and more efficient similarity measurement mechanism. The main work is as follows: (1) Learning compressed perception theory is studied. We deeply understand the theory of sparse representation of signals, design the method and classification of observation matrix, reconstruct the signal algorithm and reduce the dimension of compression perception. Experiments demonstrate the effectiveness of the compression tracking algorithm, find the shortcomings of the compression tracking algorithm and analyze and solve it. (2) according to the filter size, an adaptive weighting strategy is proposed to extract the multi-scale feature of the sample. Then high dimensional feature description is generated. This method can solve the problem that the valid features of the obtained samples decrease gradually with the increase of filter size. (3) considering the superposition of each weak classifier and the possibility that each dimension of the candidate sample is classified as the target compressed feature, an efficient similarity measurement mechanism is proposed. This method solves the problem that the similarity between sample and target is simple. Compared with the existing compression tracking algorithms in several test video sequences, the results show that the proposed algorithm has better tracking performance.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 高翔;;基于粒子濾波的目標跟蹤算法淺析[J];硅谷;2011年09期

2 金忠;一種多目標跟蹤算法[J];南京理工大學(xué)學(xué)報(自然科學(xué)版);1985年S1期

3 龔萍;張輝;毛征;張慶龍;孔文超;;融合局部熵二維熵的空中目標跟蹤算法研究[J];國外電子測量技術(shù);2014年01期

4 馬奔,史忠科,皮燕妮;成像目標跟蹤算法分析[J];西安電子科技大學(xué)學(xué)報;2005年03期

5 孫中森;孫俊喜;宋建中;喬雙;;一種抗遮擋的運動目標跟蹤算法[J];光學(xué)精密工程;2007年02期

6 陳愛華;孟勃;朱明;王艷華;;多模式融合的目標跟蹤算法[J];光學(xué)精密工程;2009年01期

7 牛長鋒;劉玉樹;;融合多特征的粒子濾波目標跟蹤算法[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2010年01期

8 蔡榮太;吳元昊;王明佳;吳慶祥;;視頻目標跟蹤算法綜述[J];電視技術(shù);2010年12期

9 佟國峰;蔣昭炎;谷久宏;龐曉磊;;基于隨機蕨叢的長期目標跟蹤算法[J];東北大學(xué)學(xué)報(自然科學(xué)版);2013年01期

10 曹曉麗;李明;邢玉娟;譚萍;;幾種自動目標跟蹤算法的比較研究[J];硅谷;2013年02期

相關(guān)會議論文 前10條

1 徐炳吉;;一種多站聯(lián)合目標跟蹤算法[A];數(shù)學(xué)及其應(yīng)用文集——中南模糊數(shù)學(xué)和系統(tǒng)分會第三屆年會論文集（上卷）[C];1995年

2 杜方芳;劉士榮;邱雪娜;;一種改進的粒子濾波目標跟蹤算法[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

3 付曉薇;方康玲;李曦;;一種基于特征的多目標跟蹤算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

4 許偉村;趙清杰;;一種基于粒子濾波的多目標跟蹤算法[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

5 李軍;張華;單梁;;一種基于Mean shift和粒子濾波的綜合目標跟蹤算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

6 肖敬若;胡伏原;鄭江濱;張艷寧;;一種有效的多目標跟蹤算法[A];第十二屆全國信號處理學(xué)術(shù)年會（CCSP-2005）論文集[C];2005年

7 鄭黎義;陳興無;王磊;李正東;;紅外/雷達雙傳感器融合目標跟蹤算法[A];中國工程物理研究院科技年報（2005）[C];2005年

8 張震宇;王立松;;基于粒子濾波的傳感器目標跟蹤算法[A];2008年中國高校通信類院系學(xué)術(shù)研討會論文集（上冊）[C];2009年

9 王亞楠;陳杰;甘明剛;;基于差分進化的改進粒子濾波目標跟蹤算法[A];中國自動化學(xué)會控制理論專業(yè)委員會C卷[C];2011年

10 張濤;費樹岷;胡剛;;基于多特征信息自適應(yīng)融合的視頻目標跟蹤算法[A];第二十九屆中國控制會議論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 胡子軍;基于隨機有限集的雷達多目標跟蹤算法研究[D];西安電子科技大學(xué);2015年

2 張雷;復(fù)雜場景下實時目標跟蹤算法及實現(xiàn)技術(shù)研究[D];中國科學(xué)院研究生院(長春光學(xué)精密機械與物理研究所);2016年

3 王晶晶;復(fù)雜擁擠環(huán)境下協(xié)同視頻監(jiān)控中目標跟蹤算法研究[D];中國科學(xué)技術(shù)大學(xué);2016年

4 田浩;基于核函數(shù)的目標跟蹤算法研究[D];長安大學(xué);2016年

5 秦永;基于隨機有限集的目標跟蹤算法研究[D];華中科技大學(xué);2016年

6 項俊;基于檢測的數(shù)據(jù)關(guān)聯(lián)多目標跟蹤算法研究[D];華中科技大學(xué);2016年

7 盧建國;基于粒子濾波的視頻目標跟蹤算法研究[D];北京郵電大學(xué);2011年

8 賈隆嘉;文本分類中特征加權(quán)算法和文本表示策略研究[D];東北師范大學(xué);2016年

9 馮巍;分布式多視角目標跟蹤算法研究[D];復(fù)旦大學(xué);2011年

10 王書朋;視頻目標跟蹤算法研究[D];西安電子科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 趙端;基于特征加權(quán)的快速壓縮感知目標跟蹤算法研究[D];鄭州大學(xué);2017年

2 張健;形變目標跟蹤算法的研究與實現(xiàn)[D];遼寧大學(xué);2015年

3 張巧麗;基于LabVIEW的運動目標跟蹤算法研究與實現(xiàn)[D];陜西科技大學(xué);2015年

4 鐘寶康;基于壓縮感知的預(yù)測目標跟蹤算法研究[D];江西理工大學(xué);2015年

5 薛桐;基于CamShift的運動目標跟蹤算法研究[D];沈陽理工大學(xué);2015年

6 王增宇;基于稀疏表達的目標跟蹤算法研究[D];沈陽理工大學(xué);2015年

7 王靜;結(jié)構(gòu)化的表觀模型及兩階段目標跟蹤算法研究[D];沈陽理工大學(xué);2015年

8 葛凱蓉;自然場景下目標跟蹤算法的研究[D];山東大學(xué);2015年

9 向偉;基于檢測的目標跟蹤算法研究[D];上海交通大學(xué);2015年

10 單順勇;結(jié)合多示例學(xué)習(xí)和模板匹配的目標跟蹤算法研究[D];江西理工大學(xué);2015年

，

本文編號：2274389