基于多相關濾波的視頻跟蹤算法研究
發(fā)布時間:2021-11-01 11:29
在計算機硬件發(fā)展與信息技術的帶動下,計算機視覺和圖像處理等領域的相關技術算法也取得了巨大的進步。視頻跟蹤一直是計算機視覺領域的核心研究任務,在人類的生活中也有著廣泛的應用。目標跟蹤可以看作在一個視頻序列中對目標進行持續(xù)識別和檢測的過程,第一幀通過手動標定或者自動識別確定待跟蹤目標,然后利用目標跟蹤算法在后續(xù)的圖像序列中檢測出目標的當前狀態(tài),包含目標位置和尺寸等信息。但是目標在運動過程中會發(fā)生姿態(tài)旋轉和尺度縮放引起的內在形變,或者存在光照的改變,物體的遮擋,相似背景的干擾等外在因素,這些都會影響算法的魯棒性和準確性,給目標跟蹤技術增加了很大的難度。近幾年相關濾波的成功引進使目標跟蹤任務取得了很大的進展,準確率的大幅提升與高幀率的計算速度使其成為一種熱門的主流的研究框架。基于周期假設的循環(huán)偏移生成了大量的訓練樣本,但也產生了許多不真實的負樣本,在一定程度上降低了濾波模板的識別力。因此越來越多的研究者集中在設計復雜的正則化先驗以對濾波器進行更強的約束,提高判別能力。本文提出了一種Plug-and-Play相關濾波器(PPCF)融合框架,可以迭代地集成不同的相關濾波跟蹤器,將不同的正則化先驗進...
【文章來源】:大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校
【文章頁數】:63 頁
【學位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景與意義
1.2 研究現狀
1.3 技術難點
1.4 本文主要內容與創(chuàng)新點
1.5 本文組織結構
2 目標跟蹤相關技術
2.1 視覺特征表示技術
2.1.1 全局特征描述
2.1.2 局部特征描述
2.1.3 超像素分割特征
2.1.4 深度特征
2.2 相關濾波及在目標跟蹤中的應用
2.2.1 相關濾波
2.2.2 MOSSE算法
2.2.3 核相關濾波
3 基于多相關濾波的視頻跟蹤算法
3.1 空間正則化相關濾波
3.2 Plug-and-Play多相關濾波跟蹤
3.3 更新策略和實驗對比
3.3.1 定性比較
3.3.2 定量比較
4 基于位置感知和多相關濾波融合的視頻跟蹤算法
4.1 基于雙層優(yōu)化學習的跟蹤算法
4.1.1 雙層優(yōu)化學習
4.1.2 多相關濾波正則化自適應融合
4.1.3 由粗到細的位置更新策略
4.2 LRCFs跟蹤算法
4.3 實驗結果與分析
4.3.1 收斂性分析
4.3.2 雙層學習框架的驗證實驗
4.3.3 正則化融合的驗證實驗
4.3.4 實驗評估
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝
【參考文獻】:
期刊論文
[1]自適應HLBP紋理特征的Meanshift目標跟蹤算法[J]. 杜靜雯,黃山,楊雙祥. 計算機科學. 2017(S2)
[2]HLBP紋理特征Mean Shift目標跟蹤算法[J]. 楊德紅,閆河,劉婕,王樸. 計算機工程與設計. 2016(04)
[3]融合粒子濾波和在線adaboost分類器的目標跟蹤方法研究[J]. 暴磊,邊群星,陳穩(wěn). 信息通信. 2016(01)
[4]Kalman濾波融合優(yōu)化Mean Shift的目標跟蹤算法[J]. 韓濤,吳衡,張虎龍,侯海嘯,鄒強,張興國. 光電工程. 2014(06)
[5]基于AdaBoost算法的實時目標跟蹤[J]. 楊文倩. 中國安防. 2014(09)
[6]一種基于算法融合的運動目標跟蹤算法[J]. 李紅巖,毛征,袁建建,曲勁松,吳珍榮. 國外電子測量技術. 2013(12)
[7]一種基于多特征融合的粒子濾波目標跟蹤算法[J]. 高秀斌,丁盼盼,蔣長帥,杜宇人. 揚州大學學報(自然科學版). 2013(01)
[8]基于Camshift和Kalman濾波結合的改進多目標跟蹤算法[J]. 吳良健,況璐,鄧慶林,劉海華. 現代科學儀器. 2010(01)
[9]基于多觀測模型的粒子濾波頭部跟蹤算法[J]. 安國成,高建坡,吳鎮(zhèn)揚. 中國圖象圖形學報. 2009(01)
博士論文
[1]基于多特征融合的Mean shift目標跟蹤技術研究[D]. 田綱.武漢大學 2011
本文編號:3470033
【文章來源】:大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校
【文章頁數】:63 頁
【學位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景與意義
1.2 研究現狀
1.3 技術難點
1.4 本文主要內容與創(chuàng)新點
1.5 本文組織結構
2 目標跟蹤相關技術
2.1 視覺特征表示技術
2.1.1 全局特征描述
2.1.2 局部特征描述
2.1.3 超像素分割特征
2.1.4 深度特征
2.2 相關濾波及在目標跟蹤中的應用
2.2.1 相關濾波
2.2.2 MOSSE算法
2.2.3 核相關濾波
3 基于多相關濾波的視頻跟蹤算法
3.1 空間正則化相關濾波
3.2 Plug-and-Play多相關濾波跟蹤
3.3 更新策略和實驗對比
3.3.1 定性比較
3.3.2 定量比較
4 基于位置感知和多相關濾波融合的視頻跟蹤算法
4.1 基于雙層優(yōu)化學習的跟蹤算法
4.1.1 雙層優(yōu)化學習
4.1.2 多相關濾波正則化自適應融合
4.1.3 由粗到細的位置更新策略
4.2 LRCFs跟蹤算法
4.3 實驗結果與分析
4.3.1 收斂性分析
4.3.2 雙層學習框架的驗證實驗
4.3.3 正則化融合的驗證實驗
4.3.4 實驗評估
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝
【參考文獻】:
期刊論文
[1]自適應HLBP紋理特征的Meanshift目標跟蹤算法[J]. 杜靜雯,黃山,楊雙祥. 計算機科學. 2017(S2)
[2]HLBP紋理特征Mean Shift目標跟蹤算法[J]. 楊德紅,閆河,劉婕,王樸. 計算機工程與設計. 2016(04)
[3]融合粒子濾波和在線adaboost分類器的目標跟蹤方法研究[J]. 暴磊,邊群星,陳穩(wěn). 信息通信. 2016(01)
[4]Kalman濾波融合優(yōu)化Mean Shift的目標跟蹤算法[J]. 韓濤,吳衡,張虎龍,侯海嘯,鄒強,張興國. 光電工程. 2014(06)
[5]基于AdaBoost算法的實時目標跟蹤[J]. 楊文倩. 中國安防. 2014(09)
[6]一種基于算法融合的運動目標跟蹤算法[J]. 李紅巖,毛征,袁建建,曲勁松,吳珍榮. 國外電子測量技術. 2013(12)
[7]一種基于多特征融合的粒子濾波目標跟蹤算法[J]. 高秀斌,丁盼盼,蔣長帥,杜宇人. 揚州大學學報(自然科學版). 2013(01)
[8]基于Camshift和Kalman濾波結合的改進多目標跟蹤算法[J]. 吳良健,況璐,鄧慶林,劉海華. 現代科學儀器. 2010(01)
[9]基于多觀測模型的粒子濾波頭部跟蹤算法[J]. 安國成,高建坡,吳鎮(zhèn)揚. 中國圖象圖形學報. 2009(01)
博士論文
[1]基于多特征融合的Mean shift目標跟蹤技術研究[D]. 田綱.武漢大學 2011
本文編號:3470033
本文鏈接:http://www.sikaile.net/kejilunwen/dianzigongchenglunwen/3470033.html