發(fā)布時間：2023-10-29 11:41

　　目標(biāo)跟蹤是計算機視覺領(lǐng)域的重要研究方向,是指在給定目標(biāo)物體初始狀態(tài)的情況下,估計目標(biāo)在后續(xù)視頻幀中的運動軌跡。目標(biāo)跟蹤算法在人機交互、智能視頻監(jiān)控等方面應(yīng)用廣泛,備受國內(nèi)外研究者的關(guān)注。傳統(tǒng)的跟蹤算法通常采用相關(guān)濾波框架,雖然速度快,但手工特征不能有效捕獲目標(biāo)物體的語義信息,難以處理復(fù)雜的目標(biāo)表觀變化,對嚴(yán)重遮擋、非剛性形變等復(fù)雜情況魯棒性較差;深度卷積特征的跟蹤算法效果雖好,但速度較慢,不能滿足實時性要求。于是,須綜合考慮跟蹤效果與運行速度。本文在分層卷積特征相關(guān)濾波目標(biāo)跟蹤算法的框架下,在特征選擇、分類器訓(xùn)練、評估機制及模型更新等方面對算法的精確度和速度作進一步的改進,主要研究成果如下:1.提出特征能量均值比的方法對特征提取層的通道進行降維,提高算法精確度和速度。本文選取Poo14和Conv5-3兩層的卷積特征,并根據(jù)輸入圖像搜索區(qū)域與目標(biāo)區(qū)域特征間的能量均值比對特征通道進行自適應(yīng)裁剪,減小了冗余特征對跟蹤任務(wù)的干擾,提高算法的速度。2.提出多高斯濾波器預(yù)測位置自適應(yīng)融合策略,對目標(biāo)位置進行準(zhǔn)確估計�？紤]不同視頻序列訓(xùn)練樣本間的差異性,本文選取不同帶寬因子的高斯分布樣本分別訓(xùn)練多個...

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 目標(biāo)跟蹤領(lǐng)域難點與挑戰(zhàn)
    1.4 研究內(nèi)容與結(jié)構(gòu)安排
第二章 基于稀疏卷積特征的相關(guān)濾波目標(biāo)跟蹤算法
    2.1 相關(guān)濾波器簡介
    2.2 卷積特征
        2.2.1 VGG-19網(wǎng)絡(luò)
        2.2.2 稀疏卷積特征
    2.3 帶寬調(diào)整策略
    2.4 實驗結(jié)果與分析
        2.4.1 數(shù)據(jù)集
        2.4.2 實驗環(huán)境設(shè)置
        2.4.3 參數(shù)設(shè)置
        2.4.4 魯棒性分析
    2.5 本章小結(jié)
第三章 多高斯相關(guān)濾波實時跟蹤算法
    3.1 分層稀疏卷積特征
    3.2 多高斯相關(guān)濾波分類器
    3.3 自適應(yīng)位置融合
    3.4 稀疏模型更新
    3.5 實驗結(jié)果與分析
        3.5.1 實驗評估指標(biāo)
        3.5.2 參數(shù)設(shè)置
        3.5.3 跟蹤性能對比
        3.5.4 魯棒性評估
    3.6 小結(jié)
第四章 置信反饋調(diào)整的多高斯相關(guān)濾波跟蹤算法
    4.1 自適應(yīng)卷積特征
    4.2 置信反饋調(diào)整算法
        4.2.1 置信反饋與速率調(diào)整
        4.2.2 搜索區(qū)域調(diào)整與目標(biāo)重定位
    4.3 實驗結(jié)果分析
        4.3.1 參數(shù)設(shè)置
        4.3.2 跟蹤性能對比實驗
        4.3.3 魯棒性評估實驗
        4.3.4 不同策略效果評估
        4.3.5 不同算法跟蹤效果對比
    4.4 小結(jié)
第五章 總結(jié)與展望
    5.1 全文工作總結(jié)
    5.2 未來工作展望
參考文獻
在學(xué)期間的研究成果
致謝



本文編號：3858008