發(fā)布時(shí)間：2023-05-22 04:24

　　隨著機(jī)器視覺(jué)技術(shù)的快速發(fā)展,視覺(jué)目標(biāo)跟蹤成為了計(jì)算機(jī)視覺(jué)中重要的研究?jī)?nèi)容之一。本文在基于相關(guān)濾波的基礎(chǔ)上,針對(duì)視覺(jué)目標(biāo)跟蹤過(guò)程中經(jīng)典算法的表觀模型單一性、尺度變化弱適應(yīng)性問(wèn)題開(kāi)展了相關(guān)的研究工作,并提出了一些新的思路,主要工作包括:(1)提出了 一種多特征融合的尺度自適應(yīng)視覺(jué)目標(biāo)跟蹤算法。在核相關(guān)濾波視覺(jué)目標(biāo)跟蹤算法的理論基礎(chǔ)上,通過(guò)融合目標(biāo)的顏色特征以及形狀特征來(lái)提高算法的魯棒性。在表觀特征選取部分,本文引入了更為復(fù)雜的CN顏色空間作為目標(biāo)的顏色特征,該顏色空間能夠準(zhǔn)確地提取目標(biāo)不同色彩信息,對(duì)前景與背景有較強(qiáng)的區(qū)分能力。同時(shí),本文通過(guò)提取HOG特征來(lái)描述目標(biāo)形狀以應(yīng)對(duì)長(zhǎng)期跟蹤過(guò)程中目標(biāo)的幾何和光學(xué)變化。在尺度檢測(cè)部分,本文首先提取目標(biāo)的輪廓特征以及灰度直方圖信息作為目標(biāo)的尺度表征,然后利用相關(guān)性濾波理論進(jìn)行實(shí)時(shí)在線訓(xùn)練與檢測(cè),使跟蹤算法能夠應(yīng)對(duì)長(zhǎng)期運(yùn)動(dòng)過(guò)程中目標(biāo)尺度發(fā)生的變化。此外,本文提出了一種多檢測(cè)器跟蹤框架,通過(guò)對(duì)歷史檢測(cè)器的保留與更新,并根據(jù)各個(gè)檢測(cè)器在其工作階段的綜合決策能力來(lái)決定最終的目標(biāo)定位結(jié)果。實(shí)驗(yàn)結(jié)果表明,本文方法具有較高的效率、魯棒性和準(zhǔn)確度,能夠有效地處理光照...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于表征方式的方法
        1.2.2 基于全局模型的方法
        1.2.3 基于局部分塊模型的方法
        1.2.4 基于判別分類的方法
    1.3 存在的問(wèn)題與挑戰(zhàn)
    1.4 本文的主要工作及內(nèi)容安排
2 視覺(jué)目標(biāo)跟蹤基本框架與理論方法
    2.1 引言
    2.2 視覺(jué)目標(biāo)跟蹤的基本框架
        2.2.1 視覺(jué)表征
        2.2.2 觀測(cè)模型
        2.2.3 目標(biāo)定位
        2.2.4 模型更新策略
    2.3 基本理論方法
        2.3.1 卡爾曼濾波
        2.3.2 均值漂移算法
        2.3.3 貝葉斯濾波
    2.4 數(shù)據(jù)集及評(píng)價(jià)方法
        2.4.1 數(shù)據(jù)集
        2.4.2 評(píng)價(jià)方法
    2.5 總結(jié)
3 基于多特征融合的尺度自適應(yīng)視覺(jué)目標(biāo)跟蹤
    3.1 引言
    3.2 CSK視覺(jué)目標(biāo)跟蹤算法
        3.2.1 線性回歸
        3.2.2 循環(huán)偏移和循環(huán)矩陣
        3.2.3 檢測(cè)器的快速訓(xùn)練與檢測(cè)
        3.2.4 核函數(shù)矩陣的快速計(jì)算
    3.3 多特征融合與尺度自適應(yīng)
        3.3.1 顏色與形狀特征提取
        3.3.2 多特征融合與模型更新
        3.3.3 尺度檢測(cè)算法
    3.4 多檢測(cè)器框架
    3.5 基于多特征融合的尺度自適應(yīng)視覺(jué)目標(biāo)跟蹤算法
    3.6 實(shí)驗(yàn)及結(jié)果分析
        3.6.1 實(shí)驗(yàn)設(shè)置
        3.6.2 實(shí)驗(yàn)結(jié)果
        3.6.3 表征對(duì)比實(shí)驗(yàn)
        3.6.4 基于屬性的評(píng)估實(shí)驗(yàn)
        3.6.5 多檢測(cè)器模型更正實(shí)驗(yàn)
        3.6.6 定量分析實(shí)驗(yàn)
    3.7 總結(jié)
4 基于深度回歸網(wǎng)絡(luò)的尺度自適應(yīng)視覺(jué)目標(biāo)跟蹤
    4.1 引言
    4.2 CaffeNet模型介紹
    4.3 基于深度回歸網(wǎng)絡(luò)的尺度檢測(cè)算法
        4.3.1 尺度檢測(cè)網(wǎng)絡(luò)框架
        4.3.2 尺度檢測(cè)網(wǎng)絡(luò)輸入和輸出
        4.3.3 運(yùn)動(dòng)平滑規(guī)律
        4.3.4 尺度檢測(cè)網(wǎng)絡(luò)訓(xùn)練
    4.4 基于深度回歸網(wǎng)絡(luò)的尺度自適應(yīng)視覺(jué)目標(biāo)跟蹤算法
    4.5 實(shí)驗(yàn)
        4.5.1 訓(xùn)練數(shù)據(jù)集
        4.5.2 實(shí)驗(yàn)設(shè)置
        4.5.3 實(shí)驗(yàn)結(jié)果
        4.5.4 基于屬性的評(píng)估實(shí)驗(yàn)
        4.5.5 尺度檢測(cè)性能評(píng)估
    4.6 總結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3821996