目標(biāo)跟蹤技術(shù)在智能交通、安全監(jiān)控、人機(jī)交互和運(yùn)動(dòng)分析等領(lǐng)域有著廣泛的應(yīng)用。近些年,目標(biāo)跟蹤技術(shù)取得了飛速的發(fā)展,涌現(xiàn)出許多優(yōu)秀的目標(biāo)跟蹤算法,解決了很多棘手的目標(biāo)跟蹤問題。但是,目標(biāo)跟蹤技術(shù)仍然面臨著很多的挑戰(zhàn),由于現(xiàn)實(shí)環(huán)境較為復(fù)雜,目前的跟蹤算法在實(shí)時(shí)性、精確性等方面還不能滿足實(shí)際應(yīng)用。本文對KCF目標(biāo)跟蹤算法進(jìn)行優(yōu)化,KCF跟蹤算法利用循環(huán)矩陣進(jìn)行密集采樣提取圖像的HOG特征,使用正則化最小二乘分類器進(jìn)行訓(xùn)練提高了運(yùn)行速度。KCF跟蹤算法的優(yōu)勢為目標(biāo)跟蹤速度快,在Benmark視頻序列集OTB50的平均速度為172fps,平均精度為73.2%。不足為當(dāng)目標(biāo)出現(xiàn)遮擋而跟蹤丟失時(shí),在后續(xù)跟蹤過程中無法再繼續(xù)準(zhǔn)確的進(jìn)行跟蹤,降低了目標(biāo)跟蹤的性能。文中通過對CSK和TLD算法的分析對比,提取兩者的優(yōu)勢。KCF算法在CSK算法的基礎(chǔ)上進(jìn)行的改進(jìn),繼承了CSK快速實(shí)現(xiàn)目標(biāo)跟蹤的優(yōu)勢,而TLD算法由跟蹤、檢測和學(xué)習(xí)模塊構(gòu)成,在目標(biāo)跟蹤丟失時(shí),通過檢測模塊重新定位目標(biāo)。對于KCF的不足借鑒TLD的思想,添加檢測模塊,并將HOG特征用FHOG特征替換,提高了跟蹤器的運(yùn)行速度。通過Graph Cut算法將含有目標(biāo)的子圖像從原視頻序列圖像中分割出來,作為模板匹配的子圖,通過模板匹配檢測到目標(biāo)新位置,來更新跟蹤器。將本文算法與其他算法在OTB視頻序列集上進(jìn)行實(shí)驗(yàn),分別作用在5個(gè)具有不同特點(diǎn)的視頻序列集上,實(shí)驗(yàn)表明,本文算法在目標(biāo)出現(xiàn)遮擋的情況下,可以繼續(xù)對目標(biāo)進(jìn)行實(shí)時(shí)的跟蹤。
【學(xué)位單位】：哈爾濱理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP391.41;TN713
【部分圖文】：

連通區(qū)域的各個(gè)像素點(diǎn)進(jìn)行處理，采集相應(yīng)的邊緣或梯度的方向直方圖，并將這些方向直方圖進(jìn)行組合構(gòu)成 HOG 特征向量。特征提取過程如圖 2-1 所示；得到的結(jié)果，如圖 2-2 所示。

圖 2-4 TLD 算法基本框架Fig.2-4 Basic framework of TLD algorithm過引入檢測算法，實(shí)現(xiàn)了與傳統(tǒng)的跟蹤算法的過程中出現(xiàn)部分遮擋、形狀變化、光照等情由于離線學(xué)習(xí)是在檢測之前挑選大量的目標(biāo)

啟動(dòng)檢測模塊來修正檢測器。檢測器是獨(dú)立的處理每一個(gè)視改進(jìn)的 Graph Cut 圖像分割出包含運(yùn)動(dòng)目標(biāo)的子圖，作為模板然后再通過對整幅圖像的掃描，來定位出目標(biāo)的位置，來更新跟模塊的跟蹤流程如圖 4-1 所示：

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 趙勝男;王文劍;;一種快速均值飄移圖像分割算法[J];數(shù)據(jù)采集與處理;2015年01期

2 王梅;李玉擰;全笑梅;;圖像分割的圖論方法綜述[J];計(jì)算機(jī)應(yīng)用與軟件;2014年09期

3 余鵬,封舉富;基于高斯混合模型的紋理圖像分割[J];中國圖象圖形學(xué)報(bào);2005年03期

本文編號(hào)：2818921