目標(biāo)跟蹤在人機(jī)交互、智能監(jiān)控、自主導(dǎo)航、軍事國防等領(lǐng)域具有廣泛的應(yīng)用前景。但由于跟蹤過程中常常伴有遮擋、形變、光照、背景干擾、運(yùn)動(dòng)模糊等問題,使得目標(biāo)跟蹤在實(shí)際應(yīng)用中面臨許多困難�；诤讼嚓P(guān)濾波器的目標(biāo)跟蹤算法(Kernel Correlation Filter,KCF)由于速度快、準(zhǔn)確率高而受到廣泛關(guān)注,但其仍存在跟蹤失敗現(xiàn)象。為了進(jìn)一步提高KCF算法跟蹤的準(zhǔn)確率和成功率,本文對(duì)其進(jìn)行深入研究,并提出以下改進(jìn)算法:(1)為了更好地對(duì)目標(biāo)進(jìn)行描述,本文提出了特征融合。將具有互補(bǔ)功能的HOG特征和CN特征融合在一起,充分發(fā)揮各個(gè)特征的優(yōu)勢(shì),增強(qiáng)對(duì)目標(biāo)的表征能力。(2)針對(duì)KCF算法缺少尺度估計(jì)的問題,本文給出了一種尺度估計(jì)的方法。首先以目標(biāo)為中心采集一系列不同尺度的圖像塊,訓(xùn)練得到一個(gè)一維尺度相關(guān)濾波器;然后利用該濾波器對(duì)目標(biāo)進(jìn)行檢測(cè),預(yù)測(cè)目標(biāo)的最佳尺度。(3)針對(duì)KCF算法在遮擋、形變、運(yùn)動(dòng)模糊等情況下易出現(xiàn)跟蹤失敗的問題,本文提出了一種基于多峰重檢策略的改進(jìn)算法。該算法利用濾波響應(yīng)圖進(jìn)行目標(biāo)重檢,避免了因錯(cuò)誤定位目標(biāo)而導(dǎo)致的跟蹤失敗問題。為了驗(yàn)證本文改進(jìn)算法的有效性,實(shí)驗(yàn)部分對(duì)OTB...

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 目標(biāo)跟蹤基本框架
    1.3 目標(biāo)跟蹤研究現(xiàn)狀
        1.3.1 面臨困難
        1.3.2 目標(biāo)跟蹤算法分類
    1.4 研究內(nèi)容與章節(jié)安排
第2章 KCF目標(biāo)跟蹤算法
    2.1 引言
    2.2 相關(guān)濾波跟蹤原理
    2.3 循環(huán)移位和循環(huán)矩陣?yán)碚?br>        2.3.1 循環(huán)移位
        2.3.2 循環(huán)矩陣
    2.4 嶺回歸算法
        2.4.1 線性嶺回歸
        2.4.2 非線性嶺回歸
    2.5 KCF目標(biāo)跟蹤算法原理
        2.5.1 快速訓(xùn)練
        2.5.2 快速檢測(cè)
        2.5.3 快速核相關(guān)
        2.5.4 模型更新
    2.6 本章小結(jié)
第3章 KCF算法改進(jìn)
    3.1 引言
    3.2 特征融合
        3.2.1 HOG特征
        3.2.2 CN特征
        3.2.3 多通道特征融合
    3.3 尺度估計(jì)
        3.3.1 尺度金字塔
        3.3.2 尺度相關(guān)濾波器
    3.4 多峰重檢策略
        3.4.1 響應(yīng)圖分析
        3.4.2 多峰重檢
        3.4.3 訓(xùn)練更新
    3.5 改進(jìn)算法流程圖
    3.6 本章小結(jié)
第4章 目標(biāo)跟蹤實(shí)驗(yàn)與結(jié)果分析
    4.1 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)
    4.2 特征融合實(shí)驗(yàn)
    4.3 尺度估計(jì)實(shí)驗(yàn)
    4.4 流行算法對(duì)比實(shí)驗(yàn)
        4.4.1 定量分析
        4.4.2 定性分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝



本文編號(hào)：3828334