作為計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究方向,目標(biāo)跟蹤的主要任務(wù)是在給定待跟蹤目標(biāo)初始位置的情況下,在視頻的后續(xù)幀準(zhǔn)確可靠地預(yù)測(cè)目標(biāo)的位置和大小。目標(biāo)自身的形變或外部環(huán)境的變化容易導(dǎo)致目標(biāo)的跟丟或跟錯(cuò)。為了應(yīng)對(duì)各種挑戰(zhàn)場(chǎng)景下的跟蹤問(wèn)題,本文對(duì)基于孿生網(wǎng)絡(luò)和相關(guān)濾波器的目標(biāo)跟蹤算法進(jìn)行了研究與改進(jìn)。本文的主要工作如下:本文提出了一種基于相關(guān)濾波器的高置信度更新目標(biāo)跟蹤算法,以實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。首先,提出了將加權(quán)的歷史幀目標(biāo)圖像代替上一幀目標(biāo)圖像,引入到GOTURN網(wǎng)絡(luò)模型中;然后提出了一種目標(biāo)置信度指標(biāo),其可以運(yùn)用于任何一種相關(guān)濾波類跟蹤算法進(jìn)行模型的高置信度更新;最后,將enhanced GOTURN和核相關(guān)濾波算法融合成一種新的算法。融合方法是首先進(jìn)行兩種算法的跟蹤,然后用核相關(guān)濾波在enhanced GOTURN跟蹤結(jié)果框中進(jìn)行目標(biāo)再檢測(cè),最后計(jì)算兩次核相關(guān)濾波算法預(yù)測(cè)結(jié)果的置信度,選擇置信度更高的預(yù)測(cè)結(jié)果作為跟蹤結(jié)果。融合算法不僅能充分利用離線學(xué)習(xí)的網(wǎng)絡(luò)模型的魯棒性,而且能夠有效減少分類器與外觀模型的漂移,因此可以有效應(yīng)對(duì)遮擋,形變,旋轉(zhuǎn)等挑戰(zhàn)性因素。本文在OTB100數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)測(cè)...

【文章頁(yè)數(shù)】：75 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、目的及意義
    1.2 目標(biāo)跟蹤算法研究現(xiàn)狀
    1.3 目標(biāo)跟蹤算法的難點(diǎn)
    1.4 本文的研究?jī)?nèi)容及結(jié)構(gòu)安排
    1.5 本章小結(jié)
2 相關(guān)濾波跟蹤和孿生網(wǎng)絡(luò)跟蹤算法理論基礎(chǔ)
    2.1 引言
    2.2 基于相關(guān)濾波的目標(biāo)跟蹤算法
    2.3 基于孿生神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法
    2.4 算法局限性分析
    2.5 本章小結(jié)
3 基于相關(guān)濾波器的高置信度更新目標(biāo)跟蹤算法
    3.1 引言
    3.2 Enhanced GOTURN跟蹤算法
    3.3 基于相關(guān)濾波器的高置信度更新目標(biāo)跟蹤算法
    3.4 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章小結(jié)
4 基于感知干擾學(xué)習(xí)的trip-CFNet目標(biāo)跟蹤算法
    4.1 引言
    4.2 CFNet跟蹤算法基本原理
    4.3 基于感知干擾學(xué)習(xí)的trip-CFNet跟蹤算法
    4.4 實(shí)驗(yàn)結(jié)果及分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 論文創(chuàng)新點(diǎn)和貢獻(xiàn)
    5.2 展望
致謝
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間的研究成果
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目和獎(jiǎng)勵(lì)



本文編號(hào)：3888543