【摘要】：近年來(lái),隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)逐漸在社會(huì)的各個(gè)方面有著廣泛的應(yīng)用,但該技術(shù)目前尚未完全成熟,比如在一些復(fù)雜的運(yùn)動(dòng)環(huán)境中,當(dāng)目標(biāo)發(fā)生形變,運(yùn)動(dòng)模糊以及遮擋等變化時(shí),一般算法不能很好的應(yīng)對(duì)兩種及兩種以上目標(biāo)發(fā)生突變的情況,容易發(fā)生漂移、錯(cuò)跟等現(xiàn)象,導(dǎo)致跟蹤失敗。本文通過對(duì)目前已有的一些主流跟蹤算法進(jìn)行研究與分析,提出了改進(jìn)的方法,并驗(yàn)證其魯棒性。基于相關(guān)濾波器的跟蹤算法是當(dāng)下跟蹤領(lǐng)域中的一個(gè)主流分支,利用目標(biāo)特征訓(xùn)練一個(gè)濾波器,將時(shí)間域中的復(fù)雜計(jì)算變換到傅里葉域中,轉(zhuǎn)換為各個(gè)元素之間的點(diǎn)乘,來(lái)對(duì)測(cè)試樣本與濾波器進(jìn)行相關(guān)運(yùn)算,找到濾波器輸出響應(yīng)值最大的區(qū)域即為目標(biāo)所在的區(qū)域。由于基于相關(guān)濾波器的跟蹤算法提升了跟蹤速度,跟蹤的效果比較好,所以本文在此基礎(chǔ)上進(jìn)行研究,從以下幾個(gè)方面來(lái)展開工作:(1)首先將經(jīng)典的跟蹤算法卡爾曼濾波、粒子濾波與相關(guān)濾波跟蹤算法進(jìn)行分析對(duì)比,確定本文在相關(guān)濾波的框架下來(lái)進(jìn)行;接著對(duì)基于相關(guān)濾波器的一般跟蹤過程進(jìn)行詳細(xì)介紹,主要包括提取目標(biāo)的特征、訓(xùn)練濾波器以及更新濾波器這三個(gè)過程,并簡(jiǎn)單的介紹每個(gè)過程中不同算法采用的方法。(2)由于傳統(tǒng)的基于顏色命名過程(CN)的目標(biāo)跟蹤算法,采用一種改進(jìn)的顏色特征來(lái)對(duì)目標(biāo)進(jìn)行描述,具有運(yùn)算量小且實(shí)時(shí)性好的優(yōu)點(diǎn),但傳統(tǒng)CN算法在目標(biāo)出現(xiàn)尺度變換時(shí),跟蹤的效果不好,為此我們對(duì)其進(jìn)行改進(jìn),引入圖像尺度金字塔來(lái)設(shè)計(jì)一種基于顏色特征的自適應(yīng)目標(biāo)跟蹤算法,并采用國(guó)際上公用的測(cè)試集來(lái)對(duì)改進(jìn)的方法進(jìn)行定量與定性分析。(3)在實(shí)時(shí)的跟蹤視頻中,目標(biāo)經(jīng)常在復(fù)雜的環(huán)境中運(yùn)動(dòng),而僅僅使用顏色特征來(lái)對(duì)目標(biāo)進(jìn)行描述的話,在目標(biāo)與背景顏色相似或相近的時(shí)候,容易將背景與目標(biāo)混淆,于是我們引入方向梯度直方圖HOG這個(gè)局部特征,將全局特征與局部特征相結(jié)合,對(duì)目標(biāo)進(jìn)行比較全面的描述。實(shí)驗(yàn)表明,本文提出的算法在攝像機(jī)晃動(dòng),目標(biāo)表觀發(fā)生不可恢復(fù)的形變以及目標(biāo)與背景顏色相似等復(fù)雜的運(yùn)動(dòng)場(chǎng)景下,都可以比較準(zhǔn)確的跟蹤到目標(biāo),克服了顏色特征與HOG特征各自的缺點(diǎn),具有較好的魯棒性。
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN713
【圖文】：

運(yùn)而生[2]。計(jì)算機(jī)視覺技術(shù)是一項(xiàng)研究如何讓機(jī)器設(shè)備擁有人眼所具有的檢測(cè)與識(shí)別功圖像或多維數(shù)據(jù)流中獲取“信息”功能的一種技術(shù)，其涉及圖形學(xué)、人工智能識(shí)別等多個(gè)領(lǐng)域。隨著計(jì)算機(jī)學(xué)科的發(fā)展，計(jì)算機(jī)視覺如雨后春筍般快速崛起數(shù)據(jù)分析是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)研究熱點(diǎn)，而視覺目標(biāo)跟蹤(Visual Obacking)是其主流。運(yùn)動(dòng)目標(biāo)跟蹤的任務(wù)是在視頻序列的每一幀中都可以實(shí)時(shí)地、準(zhǔn)確地找到感興標(biāo)的位置[3]。目標(biāo)跟蹤算法大致分為三步：首先建立目標(biāo)模型，手動(dòng)選取或通過程序找到感興趣的目標(biāo)位置，即目標(biāo)的初始化后對(duì)目標(biāo)進(jìn)行特征提取；接著搜索位目標(biāo)，在預(yù)測(cè)區(qū)域內(nèi)采用某種搜索策略進(jìn)行搜索，通過數(shù)學(xué)計(jì)算，在圖像序列一幀中都找到與目標(biāo)匹配度最高的區(qū)域；最后，對(duì)目標(biāo)的運(yùn)動(dòng)軌跡進(jìn)行分析預(yù)一般地，按照?qǐng)D像序列中感興趣區(qū)域的個(gè)數(shù)，將運(yùn)動(dòng)目標(biāo)跟蹤分為單目標(biāo)跟蹤目標(biāo)跟蹤兩大類，如圖 1.1 所示。本論文針對(duì)圖像序列中的一個(gè)感興趣區(qū)域，即目標(biāo)跟蹤的基礎(chǔ)上進(jìn)行研究的。

圖 1.3 判別式算法框架在基于判別式模型跟蹤算法的研究初期，需要大量的訓(xùn)練樣本來(lái)訓(xùn)練分類器，這就使初期的跟蹤算法的速度達(dá)不到實(shí)時(shí)性的要求。SR Collins 等人提出了一種基于在線特征選擇的判別式跟蹤算法[21-23]，對(duì)于目標(biāo)的所有特征，都采用似然估計(jì)的方法對(duì)背景與目標(biāo)的方差比進(jìn)行排名，進(jìn)而選擇最能判別背景與目標(biāo)的特征訓(xùn)練分類器，雖然使得跟蹤結(jié)果更為準(zhǔn)確，但是在特征選取的過程中耗時(shí)久。接著 FengTang等人提出一種半監(jiān)督式的目標(biāo)跟蹤算法[24]，該算法只需對(duì)少量的標(biāo)記樣本進(jìn)行初始化，采用半監(jiān)督學(xué)習(xí)的方法學(xué)習(xí)未標(biāo)記的新樣本，大大提升了跟蹤的速度。后來(lái)，Henriques 等人提出了一種基于檢測(cè)－跟蹤的算法(Circulant Structure otracking - by - detection with Kernel，CSK)[25]，采用判別的方法來(lái)檢測(cè)候選區(qū)域是否含有目標(biāo)，降低了建立數(shù)學(xué)模型的復(fù)雜度，CSK 算法對(duì)作為訓(xùn)練樣本的目標(biāo)與周圍背景進(jìn)行循環(huán)移位，將其看作對(duì)目標(biāo)與周圍背景的密集采樣，用來(lái)訓(xùn)練分類器，對(duì)候選區(qū)域進(jìn)行循環(huán)移位，利用訓(xùn)練好的分類器檢測(cè)并找到目標(biāo)所在的位置。由于 CSK 算

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 張亞紅;楊欣;沈雷;周延培;周大可;;基于視覺顯著性特征的自適應(yīng)目標(biāo)跟蹤[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2015年02期

2 高文;朱明;賀柏根;吳笑天;;目標(biāo)跟蹤技術(shù)綜述[J];中國(guó)光學(xué);2014年03期

3 朱明清;王智靈;陳宗海;;基于人類視覺智能和粒子濾波的魯棒目標(biāo)跟蹤算法[J];控制與決策;2012年11期

4 呂英麗;徐小君;葛宇;;基于SVM算法的移動(dòng)終端圖像檢索系統(tǒng)設(shè)計(jì)[J];河北建筑工程學(xué)院學(xué)報(bào);2012年02期

5 康健,司錫才,芮國(guó)勝;基于貝葉斯原理的粒子濾波技術(shù)概述[J];現(xiàn)代雷達(dá);2004年01期

相關(guān)碩士學(xué)位論文 前4條

1 董艷梅;基于相關(guān)濾波器的目標(biāo)跟蹤技術(shù)[D];北京理工大學(xué);2015年

2 張丹;多幀樣本模板更新的視頻圖像運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D];燕山大學(xué);2014年

3 周欣;圓形和三角形交通標(biāo)志分割與識(shí)別算法研究[D];華東理工大學(xué);2013年

4 汪婧;基于點(diǎn)特征的目標(biāo)跟蹤算法研究及其在機(jī)器人導(dǎo)航上的應(yīng)用[D];南京理工大學(xué);2008年

本文編號(hào)：2726012