運(yùn)動目標(biāo)的跟蹤一直是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要分支,在越來越復(fù)雜的環(huán)境中,要同時(shí)保證跟蹤的精確度和速度仍具有很大的挑戰(zhàn)。相關(guān)濾波（CF）的目標(biāo)跟蹤算法在跟蹤領(lǐng)域一直具有很高人氣,主要原因是他具備處理速度的優(yōu)勢還具備很好的跟蹤效果。本文基于相關(guān)濾波跟蹤器的設(shè)計(jì)在復(fù)雜環(huán)境中能兼顧精確度和速度,即提升跟蹤的精確度同時(shí)達(dá)到實(shí)時(shí)效果。主要工作內(nèi)容如下:（1）核相關(guān)濾波算法（KCF）計(jì)算效率高,它通過使用快速傅里葉變換使算法在保持實(shí)時(shí)性的同時(shí)進(jìn)一步拓展了高維特征。而它的不足之處在于復(fù)雜的環(huán)境中跟蹤性能差,所有的循環(huán)移位都采用了周期假設(shè)引入了不必要的邊界效應(yīng)導(dǎo)致候選樣本響應(yīng)度計(jì)算量大且響應(yīng)值結(jié)果低。因此對KCF進(jìn)行了優(yōu)化。在KCF的基礎(chǔ)上設(shè)計(jì)了一種軌跡預(yù)測算法,提前預(yù)測目標(biāo)的軌跡,為接下來的目標(biāo)跟蹤確定方向,縮小樣本集的容量,減小循環(huán)周期避免不必要的邊界效應(yīng),提升目標(biāo)跟蹤的精確度。（2）相關(guān)濾波算法中模型更新都在每一幀跟蹤結(jié)束后進(jìn)行更新,當(dāng)目標(biāo)發(fā)生遮擋或變形時(shí),有可能發(fā)生模型漂移,進(jìn)而導(dǎo)致后續(xù)幀無法跟蹤目標(biāo)。因此后期模型的更新基于多峰檢測,引入相關(guān)濾波類循環(huán)特征圖大邊緣跟蹤方法（LMCF）中的APCE... 

【文章來源】：哈爾濱師范大學(xué)黑龍江省

【文章頁數(shù)】：43 頁

【學(xué)位級別】：碩士

【部分圖文】：

循環(huán)矩陣移位的例子Fig2-1Exampleofcyclicmatrixshift

哈爾濱師范大學(xué)碩士學(xué)位論文8{|0,1,,1}uPxun(2-2)同樣，我們可以等價(jià)的把這個(gè)集合的前半部分看成正方向的位移，下半部分便是負(fù)方向的位移。圖2-2循環(huán)矩陣的圖解Fig2-2Graphicofcyclicmatrix2.1.2嶺回歸訓(xùn)練嶺回歸又稱脊回歸，主要解決在回歸分析中使用正則化的方法來解決不適應(yīng)的問題。專用于共性數(shù)據(jù)分析的有偏估計(jì)回歸方法，其本質(zhì)就是對最小二乘估計(jì)法作改良，放棄無偏性，以降精度、損信息為代價(jià)獲取回歸系數(shù)更符合、可靠的回歸方法。通過對回歸系數(shù)增加懲罰機(jī)制解決最小二乘法的一些問題。其通過嶺回歸系數(shù)最小化帶懲罰項(xiàng)的殘差平方和：22min(())||||iiwiwfxyw(2-3)其中（xi，yi）為訓(xùn)練樣本，樣本xi為列向量，yi表示標(biāo)量。(xi)為線性回歸函數(shù)。λ為正則項(xiàng)，然后對w求偏導(dǎo)，結(jié)合傅里葉變換，將權(quán)重向量轉(zhuǎn)到傅里葉域便大大減小了計(jì)算量。訓(xùn)練集的組成就是獲取的目標(biāo)區(qū)域通過此計(jì)算方法位移得到的若干樣本，樣本相對應(yīng)的標(biāo)簽是根據(jù)樣本與正樣本的距離準(zhǔn)則決定的，距離越近可能性越大。在KCF算法中訓(xùn)練過程便是嶺回歸問題，和其他分類器訓(xùn)練的目標(biāo)函數(shù)一樣，此分類器的目標(biāo)函數(shù)也是損失函數(shù)和正則化項(xiàng)相加的形式。2.1.3快速檢測目前的目標(biāo)檢測算法都比較復(fù)雜、在計(jì)算上耗費(fèi)時(shí)間且缺乏魯棒性。并且在實(shí)時(shí)的處理中也會受到其他的限制，在復(fù)雜的背景下中進(jìn)行快速檢測便也是很棘手的問題，而KCF對這一部分進(jìn)行了優(yōu)化。在KCF的檢測過程中我們很少使用回歸函數(shù)(z)評估一個(gè)單獨(dú)的圖像樣本。為了檢測目標(biāo)所處的位置，我們通常會在幾個(gè)圖像位置上對(z)求值。即使用多個(gè)候選樣本。這些樣本可以通過循環(huán)移位來建模。采用循環(huán)矩陣對待檢測的圖像塊z進(jìn)行循環(huán)化，在目標(biāo)檢測的場景中使用的公式為：()()zTfzK(2-4)

哈爾濱師范大學(xué)碩士學(xué)位論文12圖2-4軌跡預(yù)測在無人駕駛方面的規(guī)劃結(jié)構(gòu)Fig2-4Planningstructureoftrajectorypredictionindriverless2.3本章小結(jié)本章節(jié)通過拆分KCF算法，細(xì)致劃分了主要的算法流程以及解釋數(shù)學(xué)公式推導(dǎo)過程。KCF在跟蹤領(lǐng)域貢獻(xiàn)是極大的，他讓實(shí)時(shí)的目標(biāo)跟蹤技術(shù)成為可能。具體的貢獻(xiàn)可大致分為以下三點(diǎn)：（1）首次提供了濾波算法融入多通道數(shù)據(jù)的方法。（2）利用核函數(shù)實(shí)現(xiàn)了線性空間的嶺回歸向非線性空間的映射，在非線性空間上通過求解對偶問題和常見的約束并使用循環(huán)矩陣、傅里葉空間對角化來簡化計(jì)算。（3）使用循環(huán)矩陣采集目標(biāo)區(qū)域的正負(fù)樣本，并使用嶺回歸訓(xùn)練檢測器，成功的將矩陣的運(yùn)算通過傅里葉對角化性質(zhì)轉(zhuǎn)化為向量的Hadamad積的形式，大大降低運(yùn)算量，提升計(jì)算速度，滿足實(shí)時(shí)性的要求。通過大量閱讀關(guān)于軌跡預(yù)測的中外文獻(xiàn)，發(fā)現(xiàn)此算法很貼合跟蹤領(lǐng)域的研究現(xiàn)狀，在目標(biāo)跟蹤方面有研究的意義，同時(shí)也對軌跡預(yù)測方面做了介紹與分析。


本文編號：3298524