隨著計算機視覺和人工智能的快速發(fā)展,人們的生活方式和居住的城市變得越來越智能化。近年來,隨著智能視頻監(jiān)控技術(shù)在各種各樣的城市智能服務中的廣泛應用,視覺目標跟蹤越來越受到人們的關(guān)注。然而,在實際應用中目標跟蹤算法仍然面臨著各種各樣的挑戰(zhàn)。其中主要問題在于在實際應用中需要面對很多復雜的場景,例如目標遮擋,光照變化,快速運動,自身的姿態(tài)變化等。除此之外,實際應用對跟蹤算法實時性的要求也成為了現(xiàn)在需要解決的一個難題。因此,如何應對上述的挑戰(zhàn),成為了視覺目標跟蹤中的重要研究課題。當前的目標跟蹤算法在性能方面仍與人類視覺系統(tǒng)有一定的差距。因此本文通過研究人類視覺系統(tǒng)的工作機理與機制,提出了視覺記憶機制跟蹤策略并將其引入目標跟蹤算法中去改進它們在遮擋、光照變化等復雜場景下的性能。本文主要研究內(nèi)容如下:（1）通過模擬人類視覺的目標跟蹤過程以及分析人類視覺在應對各種復雜場景下目標跟蹤的工作機理,提出了視覺記憶機制的相關(guān)概念并且構(gòu)建了視覺記憶機制模型。（2）在視覺記憶機制模型的基礎(chǔ)上,將人類視覺記憶機制融合到視覺目標跟蹤算法中,構(gòu)建了基于視覺記憶機制的目標跟蹤算法框架。并選取相關(guān)濾波與Tracking-b... 

【文章來源】：內(nèi)蒙古大學內(nèi)蒙古自治區(qū) 211工程院校

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【部分圖文】：

視覺跟蹤算法主要流程

融合視覺記憶機制的目標跟蹤策略研究機器學習方法，主要有邏輯回歸（Logistic Regression），支持向量機（SVM）以及結(jié)構(gòu)化輸出支持向量機（Structured Output SVM）等。（4）模型更新。用來控制對目標的新信息學習的程度，主要涉及特征提取和分類兩個部分。（5）集成化處理。使用若干個模型進行目標跟蹤，并對最后的跟蹤結(jié)果進行集成處理從而得到最終的結(jié)果。這樣做可以充分利用每個模型的特點，使得跟蹤結(jié)果更加準確，但是算法的跟蹤速度一大挑戰(zhàn)。

融合視覺記憶機制的目標跟蹤策略研究弦窗口來圖像邊緣的像素趨于 0，達到平滑的目的。雖然加余弦窗可以提高合理樣本的數(shù)量，但是其將樣本邊緣的特征信息趨于 0，使得可以提高分類器判別能力的背景特征遭到破壞，原本可以利用的背景特征就不是很多，其還被余弦窗給篩選掉了，從而極大的削減了濾波器的跟蹤性能。檢測過程中，跟蹤目標如果運動到了檢測區(qū)域的邊緣周圍還沒有超出檢測區(qū)域，使用余弦窗會使目標的部分特征信息會被平滑掉，此時濾波器就不能很好的定位目標的位置，而且，此時的候選樣本和訓練時的循環(huán)位移產(chǎn)生的虛擬樣本具有很高的相似度，所以很可能會丟失目標。跟蹤目標的一部分如果已經(jīng)超出了檢測區(qū)域，在此基礎(chǔ)上再加上余弦窗，僅有的目標特征信息將會被平滑掉，從而造成目標丟失。以上就是相關(guān)濾波算法的邊界效應問題，邊界效應使得其對于快速運動的目標顯得無能為力。


本文編號：3369296