隨著近幾年人工智能的興起,計算機視覺越來越受到重視。在目標跟蹤應(yīng)用場景中,會出現(xiàn)遮擋、形變、旋轉(zhuǎn)、光照變化、背景模糊等各種干擾,這些干擾所帶來的挑戰(zhàn)一直是值得研究的課題�，F(xiàn)如今已有的目標跟蹤算法眾多,雖各有所長,但仍然有值得改進的地方。在這些跟蹤算法中,DAT算法（Distractor-Aware Tracking）通過統(tǒng)計顏色特征,預(yù)先探測出與目標相似的干擾區(qū)域和周圍區(qū)域,然后將其加權(quán)相結(jié)合,這樣有效地降低了傳統(tǒng)顏色特征在跟蹤過程中出現(xiàn)的“漂移”現(xiàn)象,實現(xiàn)了對背景相似的目標跟蹤。但是當目標發(fā)生遮擋情況時,由于目標信息的丟失,會導(dǎo)致跟蹤失敗。針對DAT算法在目標發(fā)生遮擋時的不足,本文在原有的DAT算法框架上,提出了一種基于遮擋檢測的目標跟蹤算法——DDAT（Detection-DAT）算法。DDAT算法引入遮擋檢測機制,該機制首先提取目標的顏色特征,建立目標相似度模型,利用相似度模型計算幀間目標的相似度,然后通過相似度差值的閾值來判定目標是否發(fā)生了遮擋。當發(fā)生了目標遮擋時,啟動檢測機制,并提取遮擋前一幀的目標相似度模型;在遮擋開始的后續(xù)幀中,利用樸素貝葉斯分類器得到較優(yōu)的候選目標框,最... 

【文章來源】：湘潭大學(xué)湖南省

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標跟蹤

132.2DAT算法基本框架在2015年的CVPR會議上，HorstPossegger等人提出的一種無模型統(tǒng)計顏色特征的目標跟蹤算法[61]，在跟蹤過程中預(yù)先判斷出與目標相似的干擾區(qū)域(Distractor-AwareTracking，簡稱DAT)，并與正確的目標區(qū)域加權(quán)相結(jié)合，降低了傳統(tǒng)利用顏色特征跟蹤算法經(jīng)常出現(xiàn)“漂移”的現(xiàn)象。在考慮了尺度變化的情況下，還保持較高的幀率，能達到實時跟蹤的效果。顏色分布直方圖曾是廣大研究人員的第一選擇，雖然后來被一些HOG、ORB等形狀特征所取代，但HorstPossegger等人仍相信顏色特征有所作為，提出了DAT算法。HorstPossegger等人基于以下兩個主要需求來提出后面的DAT算法框架：a）在連續(xù)幀中有用的模型需要從背景中區(qū)分出目標，既前后景分離，b）目標的干擾區(qū)域需要被預(yù)先檢測出來并得到抑制。2.2.1判別式目標模型對于作者提出的需求a），實現(xiàn)的方法在2.1.2節(jié)中已經(jīng)有舉例說明，在此不再贅述。對于后續(xù)的特征提取，基于產(chǎn)生式混合判別式的模型具有高準確性，因此可以得到每幀視頻圖像中每一個像素點所對應(yīng)的顏色區(qū)間（原文中未提到使用的顏色空間是哪一種，本文改進算法采用Lab顏色模型）。Lab顏色模型：Lab顏色空間是一種基于生理特征的顏色模型，它不同于RGB和CMYK兩種色彩模型受設(shè)備的影響。Lab顏色模型由亮度L，及a和b兩個顏色通道三個部分組成。L代表亮度，由暗（黑色）到亮（白色），a是從墨綠到灰白再到粉紅（從低亮到高亮）,b是從藍黑到灰白再到金黃（從低亮到高亮）。圖2.3Lab顏色空間模型

14根據(jù)貝葉斯公式得到在搜索區(qū)域內(nèi)屬于目標區(qū)域的概率：{,}||,,|xxxOSPbxOPxOPxOSbPbxPx公式（2-8）其中|I/||xOxPbxOHbO，PxO|O|/|O||S|。那么公式（2-8）可以簡化成公式（2-9）：if|,,0.5otherwise{IOxIIOxSxxHbHbHbIxIOSPxOSb公式（2-9）其中IHb表示在區(qū)域I上直方圖H的第b個bin。圖2.4目標-周圍區(qū)域同理，將公式（2-9）的周圍區(qū)域換成干擾區(qū)域得到公式（2-10）：if|,,0.5otherwise{IOxIIOxDxxHbHbHbIxIODPxODb公式（2-10）

【參考文獻】：
期刊論文
[1]融合相關(guān)粒子濾波目標跟蹤算法[J]. 鄒承明,明成龍,李成龍.  計算機工程與應(yīng)用. 2020(07)
[2]目標跟蹤算法綜述[J]. 孟琭,楊旭.  自動化學(xué)報. 2019(07)
[3]基于局部敏感直方圖的魯棒目標跟蹤[J]. 米向榮,曹建芳.  計算機工程與設(shè)計. 2018(11)
[4]基于改進核相關(guān)濾波器的目標跟蹤算法[J]. 江維創(chuàng),張俊為,桂江生.  計算機工程. 2018(11)
[5]基于目標檢測的時空上下文跟蹤算法[J]. 李瓏,劉凱,李玲.  計算機工程. 2018(09)
[6]基于相關(guān)濾波器的目標抗遮擋算法[J]. 王凱宇,陳志國,傅毅.  激光與光電子學(xué)進展. 2019(03)
[7]基于局部直方圖的多區(qū)域目標跟蹤算法[J]. 衛(wèi)保國,趙思同,文緒亮.  計算機工程與應(yīng)用. 2018(14)
[8]Comparison of three fluorescence labeling and tracking methods of endothelial progenitor cells in laser-injured retina[J]. Hui Shi,Xin-Rui Wang,Ming-Chao Bi,Wei Yang,Dan Wang,Hai-Le Liu,Ling-Ling Liang,Xiao-Hong Li,Qian Hao,Zhi-Hua Cui,E Song.  International Journal of Ophthalmology. 2018(04)
[9]改進的SAMF目標跟蹤算法[J]. 李大湘,吳玲風,李娜,劉穎.  計算機工程. 2019(02)
[10]目標跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)

碩士論文
[1]基于遮擋檢測的粒子濾波行人目標跟蹤算法研究[D]. 李春蘭.深圳大學(xué) 2017
[2]基于MeanShift的運動目標檢測與跟蹤研究[D]. 徐驍翔.浙江工業(yè)大學(xué) 2015



本文編號：3574604