目標(biāo)跟蹤技術(shù)的研究不僅能夠促進(jìn)計(jì)算機(jī)視覺(jué)等理論的發(fā)展,而且還廣泛地應(yīng)用于生活中,具有重要的應(yīng)用價(jià)值。由于在跟蹤過(guò)程中會(huì)遇到各種復(fù)雜的挑戰(zhàn)因素,這就需要提高算法的魯棒性。本文針對(duì)主流的目標(biāo)跟蹤方法進(jìn)行研究,考慮到深度學(xué)習(xí)已經(jīng)成功地應(yīng)用于圖像處理領(lǐng)域,將深度學(xué)習(xí)的方法與相關(guān)濾波的框架進(jìn)行相結(jié)合。首先針對(duì)單一特征不能較好地對(duì)目標(biāo)外觀進(jìn)行建模的問(wèn)題,可以采用特征融合和深度學(xué)習(xí)中卷積網(wǎng)絡(luò)模型的方式進(jìn)行改進(jìn)。其中使用深度學(xué)習(xí)的方式可以得到含有空間信息和語(yǔ)義信息的特征,再用特征去訓(xùn)練相關(guān)濾波器,將濾波器的結(jié)果進(jìn)行加權(quán)融合,尋找響應(yīng)最大值的位置。其次,由于該框架使用固定大小的搜索窗口,在跟蹤過(guò)程中,目標(biāo)與攝像頭的相對(duì)移動(dòng)會(huì)引起尺度變化。因此,本文引入尺度估計(jì)的方法。通過(guò)對(duì)多種尺度的候選樣本進(jìn)行學(xué)習(xí),可以實(shí)現(xiàn)尺度自適應(yīng)跟蹤。最后,為了提高跟蹤精度,將檢測(cè)得到的置信度進(jìn)行閾值比較。如果大于閾值,就作為目標(biāo)所在的位置,這樣做有利于提高正負(fù)樣本的準(zhǔn)確性。本文在大量視頻序列上對(duì)改進(jìn)算法進(jìn)行測(cè)試。同時(shí),本文還設(shè)計(jì)一個(gè)實(shí)時(shí)跟蹤界面,采用攝像頭實(shí)時(shí)拍攝對(duì)目標(biāo)進(jìn)行跟蹤,并在不同情況下做了實(shí)驗(yàn)分析,使其可以真正的應(yīng)用于實(shí)...

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
中文文摘
緒論
    1 課題研究背景及意義
    2 國(guó)內(nèi)外研究現(xiàn)狀
    3 技術(shù)難點(diǎn)
    4 本文主要內(nèi)容及結(jié)構(gòu)安排
第一章 總體結(jié)構(gòu)
    1.1 需求分析
        1.1.1 硬件功能描述
        1.1.2 軟件功能描述
    1.2 總體設(shè)計(jì)
        1.2.1 總體架構(gòu)圖
        1.2.2 系統(tǒng)總流程圖
        1.2.3 系統(tǒng)功能模塊圖
    1.3 本章小結(jié)
第二章 目標(biāo)跟蹤技術(shù)基礎(chǔ)
    2.1 目標(biāo)跟蹤技術(shù)介紹
    2.2 相關(guān)濾波器的介紹
        2.2.1 相關(guān)濾波器的基本概念
        2.2.2 相關(guān)濾波器的設(shè)計(jì)
    2.3 基于相關(guān)濾波器的目標(biāo)跟蹤
        2.3.1 構(gòu)建核相關(guān)濾波器
        2.3.2 目標(biāo)的快速檢測(cè)
        2.3.3 跟蹤算法流程
    2.4 本章小結(jié)
第三章 基于核相關(guān)濾波器改進(jìn)的目標(biāo)跟蹤技術(shù)
    3.1 特征提取
        3.1.1 方向梯度直方圖
        3.1.2 顏色特征
        3.1.3 特征融合
    3.2 目標(biāo)尺度檢測(cè)
    3.3 再檢測(cè)機(jī)制
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 定量分析結(jié)果
        3.4.2 定性分析結(jié)果
    3.5 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤技術(shù)
    4.1 人工神經(jīng)網(wǎng)絡(luò)
    4.2 卷積神經(jīng)網(wǎng)絡(luò)
        4.2.1 卷積神經(jīng)網(wǎng)絡(luò)中的反向傳播算法
        4.2.2 Softmax分類(lèi)器
    4.3 經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)介
    4.4 卷積神經(jīng)網(wǎng)絡(luò)用于特征提取
        4.4.1 卷積層輸出特征用于分類(lèi)的實(shí)驗(yàn)分析
        4.4.2 卷積層輸出特征用于跟蹤的實(shí)驗(yàn)分析
    4.5 基于卷積網(wǎng)絡(luò)的目標(biāo)跟蹤方法
        4.5.1 結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與相關(guān)濾波的跟蹤算法
        4.5.2 整體框架
        4.5.3 算法設(shè)計(jì)
    4.6 本章小結(jié)
第五章 跟蹤界面的實(shí)現(xiàn)與實(shí)驗(yàn)測(cè)試
    5.1 視頻圖像的采集與傳輸
    5.2 軟件模塊詳細(xì)設(shè)計(jì)
        5.2.1 攝像頭視頻讀取和接收
        5.2.2 選取跟蹤目標(biāo)
        5.2.3 跟蹤模塊的實(shí)現(xiàn)
    5.3 實(shí)驗(yàn)與測(cè)試
        5.3.1 測(cè)試概述
        5.3.2 測(cè)試預(yù)期效果
        5.3.3 實(shí)驗(yàn)環(huán)境與測(cè)試條件
        5.3.4 基于攝像頭的目標(biāo)實(shí)時(shí)跟蹤分析
        5.3.5 跟蹤精度測(cè)試
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
攻讀學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝
個(gè)人簡(jiǎn)歷



本文編號(hào)：3749133