近年來動態(tài)場景中的目標跟蹤在計算機視覺中意義重大,此外,在機器人智能技術(shù)和監(jiān)控智能技術(shù)等諸多應(yīng)用中具有重要意義。由于目標在運動過程中存在位置,姿態(tài),尺度的變化以及遮擋和背景的變化,準確地跟蹤目標仍然存在著很大的挑戰(zhàn),所以如何提升動態(tài)場景中目標跟蹤的精度就很有理論和現(xiàn)實意義。經(jīng)典的核相關(guān)濾波器（KCF）算法在目標跟蹤方面已經(jīng)成功應(yīng)用,但KCF目標跟蹤算法存在以下問題:一是目標框的尺寸在跟蹤過程中保持不變,導(dǎo)致目標在尺度發(fā)生改變時會丟失部分目標信息,同時也會引入背景信息;二是KCF跟蹤中缺少自適應(yīng)閾值調(diào)節(jié)機制,導(dǎo)致無法判定目標的丟失情況;三是KCF使用的人工特征在復(fù)雜場景中對目標的描述能力缺失區(qū)分性。因此針對經(jīng)典KCF目標跟蹤算法中存在的問題我們在本文中提出了一系列的解決方案。本文提出的改進的核相關(guān)濾波跟蹤方法主要包括以下工作:（1）采用了一個在線更新的最近鄰分類器對跟蹤目標進行確認,從而判識目標是否被跟丟,以提高跟蹤的穩(wěn)定性,同時降低跟蹤器和檢測器組合的跟蹤復(fù)雜度;（2）為了解決傳統(tǒng)的KCF算法無法獲得不斷變化的運動目標尺寸的問題,通過計算前后幀以頻譜響應(yīng)峰值為中心的候選區(qū)域帶寬之比來獲... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

核相關(guān)濾波跟蹤算法框架

核相關(guān)濾波目標跟蹤算法研究9其中:y和xzk分別表示y和k的傅里葉變換，表示濾波器模板的傅里葉變換。目標檢測過程可由圖2-2表示，藍色矩形框表示檢測窗口，圖2-2（b）表示響應(yīng)圖，通過響應(yīng)圖的峰值準確的定位出目標的位置。（a）（b）圖2-2目標檢測示意圖（a）檢測圖，（b）響應(yīng)窗口Fig.2-2Schematicdiagramoftargetdetection(a)Detectiondiagram,(b)Responsewindow2.2.4模型更新模型更新是尤為重要，選擇正確的更新策略在目標跟蹤性能中也起著重要作用。該算法對模型的更新分為兩個：（1）目標特征模型參數(shù)更新、（2）核相關(guān)濾波更新：11(1)(1)ttttttxxxx（2-16）其中，是更新率，t1x表示第t1幀的目標特征向量，t1表示第t1幀濾波器系數(shù)。2.3核相關(guān)濾波器跟蹤算法結(jié)果與分析2.3.1使用人工特征核相關(guān)濾波算法使用HOG特征來表示目標，HOG特征屬于人工特征，人工特征的最大缺點就是描述力不夠，因此無法完全準確的表示目標信息。在實際跟蹤的階段，目標不斷變化，無論是姿態(tài)尺寸還是變形運動，目標都在進行著復(fù)雜的變化，所以，僅僅用人工特征進行特征提取是不夠充分的。2.3.2使用單一尺度在跟蹤過程中目標跟蹤框的大小始終保持不變，這與最初選擇的目標邊界框大小相同。在實際場景中，跟蹤框的大小應(yīng)隨目標的比例尺寸的變化而變化。如果在目標運動過程中目標框的大小保持不變，則當目標變大或相機放大時，部分目標信息將丟失，并且當目標移至目標框時，更多背景信息將混合到目標框中變小或相機縮校所有這些情況將導(dǎo)致目標跟蹤性能下降。2.3.3更新策略不可靠在目標跟蹤的過程中，KCF算法通過跟蹤結(jié)果訓(xùn)練濾波器以及目標模型，如果目標出現(xiàn)跟蹤丟失或跟蹤錯誤的情況，將會造成永久丟失。

改進的核相關(guān)濾波目標跟蹤算法113改進的核相關(guān)濾波目標跟蹤算法目標跟蹤技術(shù)已經(jīng)在計算機視覺中得到了廣泛的研究，這在機器人技術(shù)，智能監(jiān)控和其他應(yīng)用中具有重要意義。針對目前目標跟蹤過程中出現(xiàn)的難題（例如姿態(tài)，尺度，照度和運動，遮擋和復(fù)雜背景的變化）而存在的巨大挑戰(zhàn)，本文主要針對目標跟蹤中的一些關(guān)鍵技術(shù)進行研究，以期望得到更加準確且快速的目標定位，從而提高目標跟蹤的性能。3.1改進的核相關(guān)濾波目標跟蹤算法框架本文算法的具體流程如圖3-1所示。該算法的框架主要是由基于KCF的尺度自適應(yīng)目標跟蹤和通過在線更新的最近鄰分類器重新確認跟蹤結(jié)果組成。目標跟蹤階段，所選目標通過使用KCF跟蹤算法被跟蹤，以獲得光譜響應(yīng)圖及其峰值位置。從而，根據(jù)峰值位置獲得目標的中心點，并根據(jù)前后兩幀響應(yīng)圖以峰值為中心的候選區(qū)域的光譜帶寬之比，獲得當前候選目標的大小，輸出縮放后的候選目標以進一步確認。在線更新的最近鄰居分類器在目標重新確認過程中起著至關(guān)重要的作用。首先，使用所選目標及其周圍的非目標區(qū)域初始化最近的鄰居分類器。通過計算跟蹤候選目標與最近鄰分類器的相似度確定目標。在每次跟蹤結(jié)束時，進行樣本更新。如果確定了候選目標，則更新正樣本庫。否則，將更新負樣本庫。下面主要介紹算法細節(jié)。圖3-1改進的核相關(guān)濾波目標跟蹤框架Fig.3-1Improvedkernelcorrelationfilteringtargettrackingframework3.2基于帶寬變化的目標尺寸自適應(yīng)盡管KCF相關(guān)的跟蹤算法[30-31]可以很好地跟蹤目標的位置，但是在跟蹤過程中目標跟蹤框的大小始終保持不變，這與最初選擇的目標邊界框大小相同。在實際場景中，跟蹤框的大小應(yīng)隨目標的比例尺寸的變化而變化。如果在目標運動過程中目標框的大小保持不變，則當目標變大或相機放大?

【參考文獻】：
期刊論文
[1]基于核相關(guān)性濾波的長時間目標跟蹤方法[J]. 陳均瑞,盛守照,李郴榮.  艦船電子工程. 2019(08)
[2]核相關(guān)濾波跟蹤方法研究[J]. 孟祥瑞.  現(xiàn)代信息科技. 2019(10)
[3]基于深度學(xué)習(xí)的改進核相關(guān)濾波目標跟蹤算法[J]. 梁華剛,高冬梅,龐麗琴.  計算機與數(shù)字工程. 2019(05)
[4]HLBP與顏色特征自適應(yīng)融合的粒子濾波目標跟蹤改進算法[J]. 卞樂,李天峰,韋怡,曾毓敏.  南京師范大學(xué)學(xué)報(工程技術(shù)版). 2018(01)
[5]基于相關(guān)濾波器的視覺目標跟蹤綜述[J]. 魏全祿,老松楊,白亮.  計算機科學(xué). 2016(11)
[6]采用核相關(guān)濾波器的長期目標跟蹤[J]. 楊德東,蔡玉柱,毛寧,楊福才.  光學(xué)精密工程. 2016(08)
[7]自適應(yīng)分塊顏色直方圖的MeanShift跟蹤算法[J]. 杜凱,巨永鋒,靳引利,李剛.  武漢理工大學(xué)學(xué)報. 2012(06)

博士論文
[1]基于多特征融合的機器人目標跟蹤算法研究[D]. 王麗佳.北京工業(yè)大學(xué) 2017

碩士論文
[1]基于核相關(guān)濾波的目標跟蹤算法研究[D]. 李永珺.青島理工大學(xué) 2018
[2]基于核相關(guān)濾波的目標跟蹤算法研究[D]. 王鶴鵬.西安電子科技大學(xué) 2018
[3]基于深度學(xué)習(xí)的多目標跟蹤算法研究[D]. 周輝.電子科技大學(xué) 2018
[4]基于深度特征的相關(guān)濾波跟蹤研究[D]. 鄧雨.中南民族大學(xué) 2018
[5]基于深度特征學(xué)習(xí)的目標檢測與跟蹤算法研究[D]. 賈祎愷.西安科技大學(xué) 2017
[6]基于深度信息的核相關(guān)濾波目標跟蹤算法研究[D]. 劉新卉.哈爾濱工業(yè)大學(xué) 2017
[7]基于深度學(xué)習(xí)的目標跟蹤算法研究[D]. 方紅霞.燕山大學(xué) 2017
[8]基于深度學(xué)習(xí)和遷移學(xué)習(xí)的魯棒多線索目標跟蹤[D]. 潘勝男.華僑大學(xué) 2016



本文編號：3271019