發(fā)布時(shí)間：2021-07-08 06:10

　　近年來(lái)動(dòng)態(tài)場(chǎng)景中的目標(biāo)跟蹤在計(jì)算機(jī)視覺(jué)中意義重大,此外,在機(jī)器人智能技術(shù)和監(jiān)控智能技術(shù)等諸多應(yīng)用中具有重要意義。由于目標(biāo)在運(yùn)動(dòng)過(guò)程中存在位置,姿態(tài),尺度的變化以及遮擋和背景的變化,準(zhǔn)確地跟蹤目標(biāo)仍然存在著很大的挑戰(zhàn),所以如何提升動(dòng)態(tài)場(chǎng)景中目標(biāo)跟蹤的精度就很有理論和現(xiàn)實(shí)意義。經(jīng)典的核相關(guān)濾波器（KCF）算法在目標(biāo)跟蹤方面已經(jīng)成功應(yīng)用,但KCF目標(biāo)跟蹤算法存在以下問(wèn)題:一是目標(biāo)框的尺寸在跟蹤過(guò)程中保持不變,導(dǎo)致目標(biāo)在尺度發(fā)生改變時(shí)會(huì)丟失部分目標(biāo)信息,同時(shí)也會(huì)引入背景信息;二是KCF跟蹤中缺少自適應(yīng)閾值調(diào)節(jié)機(jī)制,導(dǎo)致無(wú)法判定目標(biāo)的丟失情況;三是KCF使用的人工特征在復(fù)雜場(chǎng)景中對(duì)目標(biāo)的描述能力缺失區(qū)分性。因此針對(duì)經(jīng)典KCF目標(biāo)跟蹤算法中存在的問(wèn)題我們?cè)诒疚闹刑岢隽艘幌盗械慕鉀Q方案。本文提出的改進(jìn)的核相關(guān)濾波跟蹤方法主要包括以下工作:（1）采用了一個(gè)在線(xiàn)更新的最近鄰分類(lèi)器對(duì)跟蹤目標(biāo)進(jìn)行確認(rèn),從而判識(shí)目標(biāo)是否被跟丟,以提高跟蹤的穩(wěn)定性,同時(shí)降低跟蹤器和檢測(cè)器組合的跟蹤復(fù)雜度;（2）為了解決傳統(tǒng)的KCF算法無(wú)法獲得不斷變化的運(yùn)動(dòng)目標(biāo)尺寸的問(wèn)題,通過(guò)計(jì)算前后幀以頻譜響應(yīng)峰值為中心的候選區(qū)域帶寬之比來(lái)獲... 

【文章來(lái)源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

核相關(guān)濾波跟蹤算法框架

核相關(guān)濾波目標(biāo)跟蹤算法研究9其中:y和xzk分別表示y和k的傅里葉變換，表示濾波器模板的傅里葉變換。目標(biāo)檢測(cè)過(guò)程可由圖2-2表示，藍(lán)色矩形框表示檢測(cè)窗口，圖2-2（b）表示響應(yīng)圖，通過(guò)響應(yīng)圖的峰值準(zhǔn)確的定位出目標(biāo)的位置。（a）（b）圖2-2目標(biāo)檢測(cè)示意圖（a）檢測(cè)圖，（b）響應(yīng)窗口Fig.2-2Schematicdiagramoftargetdetection(a)Detectiondiagram,(b)Responsewindow2.2.4模型更新模型更新是尤為重要，選擇正確的更新策略在目標(biāo)跟蹤性能中也起著重要作用。該算法對(duì)模型的更新分為兩個(gè)：（1）目標(biāo)特征模型參數(shù)更新、（2）核相關(guān)濾波更新：11(1)(1)ttttttxxxx（2-16）其中，是更新率，t1x表示第t1幀的目標(biāo)特征向量，t1表示第t1幀濾波器系數(shù)。2.3核相關(guān)濾波器跟蹤算法結(jié)果與分析2.3.1使用人工特征核相關(guān)濾波算法使用HOG特征來(lái)表示目標(biāo)，HOG特征屬于人工特征，人工特征的最大缺點(diǎn)就是描述力不夠，因此無(wú)法完全準(zhǔn)確的表示目標(biāo)信息。在實(shí)際跟蹤的階段，目標(biāo)不斷變化，無(wú)論是姿態(tài)尺寸還是變形運(yùn)動(dòng)，目標(biāo)都在進(jìn)行著復(fù)雜的變化，所以，僅僅用人工特征進(jìn)行特征提取是不夠充分的。2.3.2使用單一尺度在跟蹤過(guò)程中目標(biāo)跟蹤框的大小始終保持不變，這與最初選擇的目標(biāo)邊界框大小相同。在實(shí)際場(chǎng)景中，跟蹤框的大小應(yīng)隨目標(biāo)的比例尺寸的變化而變化。如果在目標(biāo)運(yùn)動(dòng)過(guò)程中目標(biāo)框的大小保持不變，則當(dāng)目標(biāo)變大或相機(jī)放大時(shí)，部分目標(biāo)信息將丟失，并且當(dāng)目標(biāo)移至目標(biāo)框時(shí)，更多背景信息將混合到目標(biāo)框中變小或相機(jī)縮校所有這些情況將導(dǎo)致目標(biāo)跟蹤性能下降。2.3.3更新策略不可靠在目標(biāo)跟蹤的過(guò)程中，KCF算法通過(guò)跟蹤結(jié)果訓(xùn)練濾波器以及目標(biāo)模型，如果目標(biāo)出現(xiàn)跟蹤丟失或跟蹤錯(cuò)誤的情況，將會(huì)造成永久丟失。

改進(jìn)的核相關(guān)濾波目標(biāo)跟蹤算法113改進(jìn)的核相關(guān)濾波目標(biāo)跟蹤算法目標(biāo)跟蹤技術(shù)已經(jīng)在計(jì)算機(jī)視覺(jué)中得到了廣泛的研究，這在機(jī)器人技術(shù)，智能監(jiān)控和其他應(yīng)用中具有重要意義。針對(duì)目前目標(biāo)跟蹤過(guò)程中出現(xiàn)的難題（例如姿態(tài)，尺度，照度和運(yùn)動(dòng)，遮擋和復(fù)雜背景的變化）而存在的巨大挑戰(zhàn)，本文主要針對(duì)目標(biāo)跟蹤中的一些關(guān)鍵技術(shù)進(jìn)行研究，以期望得到更加準(zhǔn)確且快速的目標(biāo)定位，從而提高目標(biāo)跟蹤的性能。3.1改進(jìn)的核相關(guān)濾波目標(biāo)跟蹤算法框架本文算法的具體流程如圖3-1所示。該算法的框架主要是由基于KCF的尺度自適應(yīng)目標(biāo)跟蹤和通過(guò)在線(xiàn)更新的最近鄰分類(lèi)器重新確認(rèn)跟蹤結(jié)果組成。目標(biāo)跟蹤階段，所選目標(biāo)通過(guò)使用KCF跟蹤算法被跟蹤，以獲得光譜響應(yīng)圖及其峰值位置。從而，根據(jù)峰值位置獲得目標(biāo)的中心點(diǎn)，并根據(jù)前后兩幀響應(yīng)圖以峰值為中心的候選區(qū)域的光譜帶寬之比，獲得當(dāng)前候選目標(biāo)的大小，輸出縮放后的候選目標(biāo)以進(jìn)一步確認(rèn)。在線(xiàn)更新的最近鄰居分類(lèi)器在目標(biāo)重新確認(rèn)過(guò)程中起著至關(guān)重要的作用。首先，使用所選目標(biāo)及其周?chē)姆悄繕?biāo)區(qū)域初始化最近的鄰居分類(lèi)器。通過(guò)計(jì)算跟蹤候選目標(biāo)與最近鄰分類(lèi)器的相似度確定目標(biāo)。在每次跟蹤結(jié)束時(shí)，進(jìn)行樣本更新。如果確定了候選目標(biāo)，則更新正樣本庫(kù)。否則，將更新負(fù)樣本庫(kù)。下面主要介紹算法細(xì)節(jié)。圖3-1改進(jìn)的核相關(guān)濾波目標(biāo)跟蹤框架Fig.3-1Improvedkernelcorrelationfilteringtargettrackingframework3.2基于帶寬變化的目標(biāo)尺寸自適應(yīng)盡管KCF相關(guān)的跟蹤算法[30-31]可以很好地跟蹤目標(biāo)的位置，但是在跟蹤過(guò)程中目標(biāo)跟蹤框的大小始終保持不變，這與最初選擇的目標(biāo)邊界框大小相同。在實(shí)際場(chǎng)景中，跟蹤框的大小應(yīng)隨目標(biāo)的比例尺寸的變化而變化。如果在目標(biāo)運(yùn)動(dòng)過(guò)程中目標(biāo)框的大小保持不變，則當(dāng)目標(biāo)變大或相機(jī)放大?

【參考文獻(xiàn)】：
期刊論文
[1]基于核相關(guān)性濾波的長(zhǎng)時(shí)間目標(biāo)跟蹤方法[J]. 陳均瑞,盛守照,李郴榮.  艦船電子工程. 2019(08)
[2]核相關(guān)濾波跟蹤方法研究[J]. 孟祥瑞.  現(xiàn)代信息科技. 2019(10)
[3]基于深度學(xué)習(xí)的改進(jìn)核相關(guān)濾波目標(biāo)跟蹤算法[J]. 梁華剛,高冬梅,龐麗琴.  計(jì)算機(jī)與數(shù)字工程. 2019(05)
[4]HLBP與顏色特征自適應(yīng)融合的粒子濾波目標(biāo)跟蹤改進(jìn)算法[J]. 卞樂(lè),李天峰,韋怡,曾毓敏.  南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版). 2018(01)
[5]基于相關(guān)濾波器的視覺(jué)目標(biāo)跟蹤綜述[J]. 魏全祿,老松楊,白亮.  計(jì)算機(jī)科學(xué). 2016(11)
[6]采用核相關(guān)濾波器的長(zhǎng)期目標(biāo)跟蹤[J]. 楊德東,蔡玉柱,毛寧,楊福才.  光學(xué)精密工程. 2016(08)
[7]自適應(yīng)分塊顏色直方圖的MeanShift跟蹤算法[J]. 杜凱,巨永鋒,靳引利,李剛.  武漢理工大學(xué)學(xué)報(bào). 2012(06)

博士論文
[1]基于多特征融合的機(jī)器人目標(biāo)跟蹤算法研究[D]. 王麗佳.北京工業(yè)大學(xué) 2017

碩士論文
[1]基于核相關(guān)濾波的目標(biāo)跟蹤算法研究[D]. 李永珺.青島理工大學(xué) 2018
[2]基于核相關(guān)濾波的目標(biāo)跟蹤算法研究[D]. 王鶴鵬.西安電子科技大學(xué) 2018
[3]基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法研究[D]. 周輝.電子科技大學(xué) 2018
[4]基于深度特征的相關(guān)濾波跟蹤研究[D]. 鄧雨.中南民族大學(xué) 2018
[5]基于深度特征學(xué)習(xí)的目標(biāo)檢測(cè)與跟蹤算法研究[D]. 賈祎愷.西安科技大學(xué) 2017
[6]基于深度信息的核相關(guān)濾波目標(biāo)跟蹤算法研究[D]. 劉新卉.哈爾濱工業(yè)大學(xué) 2017
[7]基于深度學(xué)習(xí)的目標(biāo)跟蹤算法研究[D]. 方紅霞.燕山大學(xué) 2017
[8]基于深度學(xué)習(xí)和遷移學(xué)習(xí)的魯棒多線(xiàn)索目標(biāo)跟蹤[D]. 潘勝男.華僑大學(xué) 2016



本文編號(hào)：3271019