视频目标跟踪算法鲁棒性研究

发布时间：2020-03-17 22:09

【摘要】：近年来,目标跟踪成为计算机视觉领域的热门研究方向。在视觉监控、人机交互、军事等领域都有着广泛应用前景。随着计算机运算速度的提高和评价指标的规范,目标跟踪领域发展迅速,许多优秀的算法纷纷涌现出来。但是,目标跟踪在实际应用中还存在着许多挑战,例如目标外观变化、目标旋转、光照变化、复杂背景影响、目标快速运动、目标遮挡等,这些挑战影响算法准确性,算法的鲁棒性有待进一步提高。近年来基于相关滤波器的跟踪算法表现十分优异,成为该领域的研究热点。此外,随着深度学习的发展,深度学习在视觉跟踪领域的应用也成为研究方向。本文在基于相关滤波器的跟踪算法基础上进行研究,深入了解相关滤波器的理论知识和跟踪框架,并且深入分析卷积神经网络,使用卷积神经网络提取图像目标的特征。本文的主要工作如下:针对视觉目标跟踪算法进行研究,对目标特征描述进行归纳总结,对跟踪模型进行分类,在此基础上更好的理解基于相关滤波器的跟踪算法,并结合目标的特征描述提出本文的跟踪算法。提出基于相关滤波器优化跟踪算法。通过对基于相关滤波器的跟踪算法进行研究学习,在其框架基础上进行优化。首先,算法针对复杂背景的挑战进行优化,提出图像预处理算法。复杂的背景会使目标特征表达包含多余的信息,采用预处理算法对图像进行显著性检测,突出图像目标显著部分,减少冗余信息的干扰。针对目标尺度大小变化进行改进,对图像进行尺度变化处理得到不同的目标样本,对不同尺度目标进行特征提取,并根据不同尺度特征图的响应大小进行定位。提出基于深度学习特征的跟踪算法。通过对深度学习网络进行研究,对卷积网络提取特征进行分析,将深度学习特征与相关滤波器跟踪算法结合。本研究采用了浅层的卷积层输出和深层的卷积层输出对目标进行特征表达,浅层的卷积层包含较多的空间信息,而深层的卷积层则包含的更多的语义信息。算法将不同分辨率的特征图进行融合,同时采用其他传统特征结合,增强图像表达,实现对目标的准确跟踪。此外,为了应对遮挡情况,采用了优化模板更新策略。大部分算法中采用每一帧实时跟踪模板的策略,算法的时效性较差,同时对于出现遮挡情况,跟踪器的实时更新会使模板受到污染,导致跟踪出现偏移,致使跟踪失败。因此。本文采取了较为稀疏的更新策略,提高算法对目标遮挡这一问题的鲁棒性。
【图文】：

图 2-2：基于 SVM 分类的检测跟踪图示自学习 SVM 跟踪方法以自学习方式构造用于目标、非目标分类的 SVM 分类器。方法对于目标变化较大情况易出现跟踪漂移，针对这一问题，Tian 等人[62]利用线M 分类器的集合来构造自学习 SVM 跟踪方法。这些分类器可以根据它们在不同时

尺度估计示意图
【学位授予单位】：广州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TN713

【相似文献】

相关期刊论文 前10条

1 杨凯杰;田畅;关文君;;快速目标跟踪算法及其嵌入式实现[J];军事通信技术;2016年04期

2 陈伟;祝恩;刘天航;殷建平;邱明辉;;目标跟踪算法的并行优化[J];计算机工程与科学;2016年11期

3 张涛;李继生;董恩国;;基于人脸识别的移动目标跟踪算法研究[J];现代制造技术与装备;2017年02期

4 李贺;;基于深度学习的目标跟踪算法研究综述[J];黑龙江科技信息;2017年17期

5 吴小俊;徐天阳;须文波;;基于相关滤波的视频目标跟踪算法综述[J];指挥信息系统与技术;2017年03期

6 王立新,戴冠中;一种分散化多站联合目标跟踪算法[J];航空学报;1988年03期

7 V.纳加拉简;R.N.沙马;肖万选;;改善边跟踪边搜索雷达的检测和跟踪性能的新方法(第二部分)——检测、航迹的产生与组合[J];雷达与对抗;1988年05期

8 孟t-;李诚新;;近年目标跟踪算法短评——相关滤波与深度学习[J];中国图象图形学报;2019年07期

9 窦慧;赵书斌;王强;;基于特征点的典型目标跟踪算法性能分析[J];指挥控制与仿真;2017年02期

10 王丽娜;;基于卡尔曼滤波的单模型目标跟踪算法的仿真研究[J];中国新通信;2016年10期

相关会议论文 前10条

1 徐炳吉;;一种多站联合目标跟踪算法[A];数学及其应用文集——中南模糊数学和系统分会第三届年会论文集（上卷）[C];1995年

2 肖敬若;胡伏原;郑江滨;张艳宁;;一种有效的多目标跟踪算法[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

3 杜方芳;刘士荣;邱雪娜;;一种改进的粒子滤波目标跟踪算法[A];PCC2009—第20届中国过程控制会议论文集[C];2009年

4 付晓薇;方康玲;李曦;;一种基于特征的多目标跟踪算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

5 王亚楠;陈杰;甘明刚;;基于差分进化的改进粒子滤波目标跟踪算法[A];中国自动化学会控制理论专业委员会C卷[C];2011年

6 许伟村;赵清杰;;一种基于粒子滤波的多目标跟踪算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

7 石章松;刘忠;;一种使用辅助变量的单站纯方位目标跟踪算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

8 段萌远;于俊清;王锦;;基于活动状态分类的多目标跟踪算法[A];第二届和谐人机环境联合学术会议(HHME2006)——第15届中国多媒体学术会议(NCMT'06)论文集[C];2006年

9 张震宇;王立松;;基于粒子滤波的传感器目标跟踪算法[A];2008年中国高校通信类院系学术研讨会论文集（上册）[C];2009年

10 郭春;罗鹏飞;;一种基于小波变换的目标跟踪算法研究[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

相关博士学位论文 前10条

1 李康;图像序列中鲁棒的视觉目标跟踪算法研究[D];武汉大学;2016年

2 曾宪佑;复杂场景下鲁棒的目标跟踪算法研究[D];北京交通大学;2019年

3 杨森泉;基于稀疏分析的鲁棒目标跟踪研究[D];广东工业大学;2019年

4 胡秀华;复杂场景中目标跟踪算法研究[D];西北工业大学;2017年

5 王全辉;筛选式知识辅助多模型机动目标跟踪算法[D];深圳大学;2018年

6 产思贤;基于视觉系统的智能目标跟踪算法研究[D];浙江工业大学;2018年

7 胡琪;基于随机矩阵的扩展目标跟踪算法研究[D];西安电子科技大学;2018年

8 张铎;基于水下无线传感器网络的自组织目标跟踪算法研究[D];浙江大学;2019年

9 郭巳秋;基于TLD的粒子群目标跟踪理论与应用技术研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

10 储琪;基于深度学习的视频多目标跟踪算法研究[D];中国科学技术大学;2019年

相关硕士学位论文 前10条

1 杨一丰;基于CNN的目标跟踪算法研究[D];电子科技大学;2019年

2 陈小旋;视频目标跟踪算法鲁棒性研究[D];广州大学;2019年

3 张亚琴;视频序列中的单目标跟踪算法研究[D];新疆大学;2019年

4 卢耀坤;复杂场景运动目标跟踪算法研究[D];电子科技大学;2019年

5 郑辉;复杂条件下实时目标跟踪算法设计与实现[D];电子科技大学;2019年

6 李军;基于视觉注意机制的目标跟踪算法研究[D];华北理工大学;2019年

7 王硕豪;基于深度学习的目标跟踪算法研究[D];江西理工大学;2019年

8 汤玉;多特征随机集滤波视频目标跟踪算法研究[D];江南大学;2019年

9 胡雯;无人机视角地面目标检测与跟踪[D];电子科技大学;2019年

10 李倩;基于相关滤波的目标跟踪算法研究[D];吉林大学;2019年

，

本文编号：2587771