視覺目標(biāo)跟蹤是計(jì)算機(jī)視覺中的重要應(yīng)用之一,被廣泛應(yīng)用于行為分析、智能視頻監(jiān)測(cè)、人機(jī)交互等領(lǐng)域。但實(shí)際場(chǎng)景中存在的光照變化、遮擋、背景混亂等難點(diǎn),都會(huì)對(duì)算法效果產(chǎn)生不利影響。因此研究一種魯棒的、高實(shí)時(shí)性、高精度的跟蹤算法,具有非常重要的意義。本文以核相關(guān)濾波為基礎(chǔ),在基于多分類器并行跟蹤的框架下,提出一種基于特征融合和多分類器并行的變尺度跟蹤算法,主要工作如下:(1)提出一種基于特征融合與多分類器并行的跟蹤算法。首先采用多特征融合與級(jí)聯(lián)迭代訓(xùn)練模型相結(jié)合的方法,提升分類器的表達(dá)能力。然后根據(jù)初始化圖像幀中目標(biāo)的縱橫比,自適應(yīng)的調(diào)整初始化窗口的尺度。最后,采用多分類器獨(dú)立并行的方法,進(jìn)一步提升算法對(duì)動(dòng)態(tài)背景干擾的魯棒性。(2)為了減少偽目標(biāo)信息融入分類器,提出一種保守的自適應(yīng)學(xué)習(xí)率的更新策略。在設(shè)置閾值實(shí)現(xiàn)保守更新的基礎(chǔ)上,根據(jù)當(dāng)前幀中分類器響應(yīng)自適應(yīng)調(diào)整學(xué)習(xí)率,從而調(diào)整該幀特征信息在分類器中所占權(quán)重,極大程度的減少偽目標(biāo)信息融入分類器。(3)針對(duì)不能對(duì)目標(biāo)尺度精確估計(jì)的問題,提出一種變尺度的跟蹤策略。首先在位置估計(jì)的基礎(chǔ)上融入尺度估計(jì)方法。然后提出只用初始化幀中的目標(biāo)尺度更新位置分類器的策略,消除傳統(tǒng)算法中尺度估計(jì)不精確造成的位置分類器性能退化問題。(4)為了提升算法對(duì)長(zhǎng)時(shí)遮擋或嚴(yán)重形變等狀況的魯棒性,提出一種長(zhǎng)時(shí)跟蹤機(jī)制。設(shè)計(jì)將長(zhǎng)時(shí)濾波器與在線SVM檢測(cè)器相結(jié)合的重檢測(cè)模塊,以實(shí)現(xiàn)魯棒的、長(zhǎng)時(shí)的跟蹤效果。最后,分別對(duì)位置估計(jì)、尺度估計(jì)以及長(zhǎng)時(shí)模塊在測(cè)試集OTB2015及MEEM上進(jìn)行實(shí)驗(yàn)測(cè)試,驗(yàn)證算法對(duì)動(dòng)態(tài)背景的干擾、目標(biāo)嚴(yán)重形變及長(zhǎng)時(shí)遮擋等狀況的魯棒性。實(shí)驗(yàn)結(jié)果表明,本文算法的跟蹤結(jié)果在中心位置誤差、精度以及成功率指標(biāo)上均得到了很大程度上的提升。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP181
【部分圖文】：

（a）軍事國(guó)防 （b）智能視頻監(jiān)測(cè)（c）無人駕駛 （d）人機(jī)交互圖1.1 視覺目標(biāo)跟蹤的不同應(yīng)用場(chǎng)景（1）國(guó)防安全[1]。在新時(shí)代背景下的國(guó)防安全建設(shè)中，空天一體、精確打擊及無人作戰(zhàn)是信息化現(xiàn)代戰(zhàn)爭(zhēng)的主要作戰(zhàn)方式。精確制導(dǎo)武器、作戰(zhàn)機(jī)器人、無人機(jī)無人車和雷達(dá)探測(cè)是打贏現(xiàn)代化戰(zhàn)爭(zhēng)中必不可少的條件，而視覺目標(biāo)跟蹤技術(shù)給以上武器裝備的發(fā)展提供核心的技術(shù)支撐。（2）智能監(jiān)控[2]。隨著國(guó)家“智慧城市”工程建設(shè)的試點(diǎn)推行，智能監(jiān)控成為公共安防的熱門領(lǐng)域。目前，我國(guó)已經(jīng)實(shí)現(xiàn)了在人員流動(dòng)較大的重點(diǎn)區(qū)域全方位監(jiān)控覆蓋，如在火車站春節(jié)期間，增設(shè)人臉識(shí)別系統(tǒng)，通過車票、身份證、人臉三個(gè)信息

光照強(qiáng)度變化測(cè)試結(jié)果圖（Singer2）

旋轉(zhuǎn)和形變測(cè)試結(jié)果圖（Gym）
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李敏;李華;程茂華;;一種自適應(yīng)子融合集成多分類器方法[J];計(jì)算機(jī)測(cè)量與控制;2019年04期

2 張林;韓美林;楊琳;王洋;;基于多分類器融合的近紅外光譜技術(shù)鑒別蜂蜜品種[J];化學(xué)分析計(jì)量;2019年03期

3 黎平;劉萍;張巡;范郁鋒;;基于分類器的身份證號(hào)碼識(shí)別研究[J];貴州科學(xué);2018年01期

4 王忠民;王科;賀炎;;一種基于多分類器融合的人體運(yùn)動(dòng)行為識(shí)別模型[J];計(jì)算機(jī)科學(xué);2016年12期

5 鄒洪俠;陶碩;;一種代價(jià)敏感的三類分類器評(píng)估方法的研究與應(yīng)用[J];通化師范學(xué)院學(xué)報(bào);2017年08期

6 牛明昂;王強(qiáng);崔希民;趙康年;柴鵬輝;;多分類器融合與單分類器影像分類比較研究[J];礦山測(cè)量;2016年04期

7 趙藝淞;王保云;黎曉路;王婷;;基于多分類器組合的城市不透水面提取研究[J];城市地理;2017年04期

8 何舒煒;;《垃圾分類器》[J];輔導(dǎo)員;2016年11期

9 李健蘋;游中勝;;一種新的多分類器融合方法[J];西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

10 蘭遠(yuǎn)東;曾樹洪;;動(dòng)態(tài)加權(quán)投票的多分類器聚合[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2014年05期

相關(guān)博士學(xué)位論文 前10條

1 孫宸;PolSAR圖像大間隔學(xué)習(xí)分類器設(shè)計(jì)及應(yīng)用[D];西安電子科技大學(xué);2017年

2 于愛華;基于壓縮感知人臉識(shí)別技術(shù)的研究[D];浙江工業(yè)大學(xué);2017年

3 雷浩川;多分類器集成的遙感影像分類研究[D];中國(guó)地質(zhì)大學(xué)(北京);2018年

4 馮曉東;基于軟概率的分類器動(dòng)態(tài)集成方法研究[D];重慶大學(xué);2018年

5 陳木生;基于欠采樣和不平衡集成分類的垃圾網(wǎng)頁檢測(cè)研究[D];南昌大學(xué);2018年

6 陳海霞;面向數(shù)據(jù)挖掘的分類器集成研究[D];吉林大學(xué);2006年

7 王衛(wèi)東;高維小樣本數(shù)據(jù)的特征提取及分類器算法研究[D];南京理工大學(xué);2007年

8 劉杰;乘員類型的自動(dòng)識(shí)別及其在智能乘員約束系統(tǒng)中的應(yīng)用[D];吉林大學(xué);2007年

9 吳尉林;可移植的穩(wěn)健口語理解方法研究[D];上海交通大學(xué);2007年

10 章軍;小生境粒子群優(yōu)化算法及其在多分類器集成中的應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 石超然;基于可信度的部分反饋條件下的在線多級(jí)分類器的研究[D];上海交通大學(xué);2017年

2 薛原;基于HOG特征和多分類器集成學(xué)習(xí)方法對(duì)行人檢測(cè)的研究[D];大連理工大學(xué);2019年

3 于晨;軟件監(jiān)控系統(tǒng)技術(shù)研究[D];上海交通大學(xué);2016年

4 田茂青;多標(biāo)簽特征選擇及分類器鏈算法的研究[D];山東科技大學(xué);2018年

5 黃芳;基于混合分類器的增強(qiáng)子預(yù)測(cè)[D];上海交通大學(xué);2016年

6 方曄瑋;基于組分特征的tracrRNA識(shí)別和預(yù)測(cè)[D];電子科技大學(xué);2019年

7 李蓉;基于SVM礦井環(huán)境無線多模信號(hào)的檢測(cè)識(shí)別[D];西安科技大學(xué);2019年

8 胡燕;基于分類器融合的SAR圖像目標(biāo)識(shí)別[D];上海交通大學(xué);2016年

9 文金;基于電子產(chǎn)品領(lǐng)域商品評(píng)論的情感分析方法研究和實(shí)現(xiàn)[D];北京交通大學(xué);2019年

10 李存存;面向多標(biāo)記分類的主動(dòng)學(xué)習(xí)算法研究[D];北京交通大學(xué);2019年

本文編號(hào)：2856029