【摘要】：目標跟蹤是計算機視覺等領域的熱門課題,其在智能交通、軍事及無人駕駛等方面有著廣泛的應用。國內外從事目標跟蹤方面研究的學者層出不窮,但由于跟蹤環(huán)境的復雜性,比如運動模糊、快速運動及遮擋等,使得跟蹤目標的外觀發(fā)生變化,因此設計一種魯棒的目標跟蹤算法仍存在著巨大挑戰(zhàn)。近年來,關于目標跟蹤的研究逐漸從傳統的算法轉向基于學習的算法,其中,基于相關濾波的運動目標跟蹤算法將目標跟蹤問題看成是目標的分類問題,然后在分類后的結果中找出置信度最大的位置即為當前目標的位置,其計算速度快,而且對目標模型進行實時地學習更新,因此該方法兼顧了跟蹤速度的同時也具備較高的跟蹤精度,引起了研究人員的廣泛關注。本文討論了相關濾波目標跟蹤算法的優(yōu)缺點,并更深入研究了此類算法,主要創(chuàng)新如下:(1)目標發(fā)生快速運動時,相鄰幀之間目標位置變化較大,傳統的核相關濾波算法不能很好的解決此類問題。因此在核相關濾波的基礎上,提出了一種新的檢測模型,在保障算法時間復雜度的條件下,擴大搜索區(qū)域,在更加可靠的區(qū)域內進行目標搜索。為了進一步提高算法的跟蹤性能,我們提出空間約束方法,即為每個小搜索區(qū)域分配一個權重。我們假定上一幀的跟蹤結果具有一定的可靠性,則下一幀目標可能出現在以上一幀跟蹤結果為中心的搜索區(qū)域內的概率會更大,因此賦予在中心位置的小搜索區(qū)域更高的權重。實驗表明,本章提出的方法能有效地解決目標的快速運動問題。(2)為了解決傳統的核相關濾波跟蹤算法無法很好地處理目標遮擋問題,在新檢測模型的基礎上,加入了面向遮擋的自適應模型更新方法。新的遮擋檢測機制利用歷史幀信息作為目標被遮擋情況的初步判斷,其次利用當前幀的最大響應值與響應均值來最終判斷目標當前的遮擋情況,然后利用遮擋檢測所得出的結果對模型進行自適應更新。當目標未被遮擋時,按初始權重更新模型,而當目標發(fā)生遮擋時,減小模型的更新權重,從而減少非目標遮擋信息更新到目標模型,使得模型更新更加準確。實驗結果表明,本章提出的算法能很好地解決目標被遮擋的問題,并且具備更高的綜合性能。本文圍繞當前目標跟蹤中面臨的各種困難與挑戰(zhàn),對核相關濾波跟蹤算法進行了深入研究,根據其存在的缺陷問題,提出了對應的改進方法。實驗中采用的數據集是跟蹤領域的標準視頻庫Visual Tracker Benchmark,并且本文的算法與九種目前領先的跟蹤算法進行對比。實驗結果表明,本文設計的算法在目標快速運動、遮擋情況下,具有較好的跟蹤性能。
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP391.41;TN713
【圖文】：

圖 1.1 目標跟蹤基本流程因此，我們可將目標跟蹤過程分為五個部分：（1）運動模型；（2）特征提；（3）觀察模型；（4）模型更新；（5）集成方法。下面將對每一部分進行詳介紹。運動模型（Motion Model）:候選目標生成的速度與質量在很大程度上決定了蹤系統的性能。常用的兩種運動模型是粒子濾波（Particle Filter）與滑動窗口Sliding Window）。粒子濾波是一種順序重要性采樣法，利用遞歸方式預測目隱含的狀態(tài)�；瑒哟翱谑歉F舉搜索法，它是列出目標周圍的所有可能樣本作為選樣本。特征提�。‵eature Extractor）:具有判別性的目標特征是跟蹤算法成功的關。常用特征可分為兩類，即手工特征（Hand-crafted feature）與深度特征（Deeature）。其中手工特征常用的有 Harr-like 特征、HOG 特征及 SIFT 特征等。而度特征是利用大量訓練樣本自動學習出的特征，它擁有更強的判別性。觀察模型（Observation Model）:大部分的目標跟蹤算法主要在此部分進行

該算法使用最小化誤差模型與循環(huán)矩陣創(chuàng)建分類找到預測分布的最大響應值來確定目標的最終位換提升計算速度。本章主要介紹相關濾波跟蹤算器原理器基礎是信號處理中的方法，其在目標檢測、目標識別波器的響應可利用兩個圖像塊的時域卷積轉換到，因此大幅提升了運算速度。的思想來源于相關運算，通過計算兩個信號的相個信號越相似，則得到的值就會越高。相關濾波一個濾波模板，使其作用在目標上時，最后得到的

碩士學位論文負樣本，提取特征來訓練分類器；2）讀入第 t 1幀的圖像，在當前幀中以第 t幀目標所在的位置為中心，在其周圍采集樣本作為候選樣本，提取特征經過余弦窗函數處理后，再做 FFT 變換；3）用訓練好的分類器對所有候選樣本進行檢測，即用 2）中的結果與相關濾波器相乘，再做 IFFT，每個樣本對應著分類器的一個響應值，響應值最大的位置作為最終預測的目標位置，最后用新位置的樣本更新相關濾波器�；谙嚓P濾波的跟蹤算法利用 FFT，將時域內的操作轉換到頻域，加快了分類器的學習速度，從而提高了算法的運行速率，并使得算法能滿足跟蹤過程中的實時性要求，因此受到研究者的廣泛關注�；谙嚓P濾波目標跟蹤算法的基本流程如圖 2.2：

【參考文獻】

相關期刊論文 前5條

1 余禮楊;范春曉;明悅;;改進的核相關濾波器目標跟蹤算法[J];計算機應用;2015年12期

2 張雷;王延杰;劉艷瀅;孫宏海;何舒文;;基于相關濾波器的視覺目標跟蹤方法[J];光電子·激光;2015年07期

3 高文;朱明;賀柏根;吳笑天;;目標跟蹤技術綜述[J];中國光學;2014年03期

4 閆慶森;李臨生;徐曉峰;王燦;;視頻跟蹤算法研究綜述[J];計算機科學;2013年S1期

5 李科;徐克虎;張波;;多特征自適應融合的軍事偽裝目標跟蹤[J];計算機工程與應用;2012年34期

本文編號：2770104