基于相关滤波器的运动目标跟踪方法研究

发布时间：2020-06-22 17:35

【摘要】：近年来,随着互联网技术的不断发展,运动目标跟踪技术逐渐在社会的各个方面有着广泛的应用,但该技术目前尚未完全成熟,比如在一些复杂的运动环境中,当目标发生形变,运动模糊以及遮挡等变化时,一般算法不能很好的应对两种及两种以上目标发生突变的情况,容易发生漂移、错跟等现象,导致跟踪失败。本文通过对目前已有的一些主流跟踪算法进行研究与分析,提出了改进的方法,并验证其鲁棒性。基于相关滤波器的跟踪算法是当下跟踪领域中的一个主流分支,利用目标特征训练一个滤波器,将时间域中的复杂计算变换到傅里叶域中,转换为各个元素之间的点乘,来对测试样本与滤波器进行相关运算,找到滤波器输出响应值最大的区域即为目标所在的区域。由于基于相关滤波器的跟踪算法提升了跟踪速度,跟踪的效果比较好,所以本文在此基础上进行研究,从以下几个方面来展开工作:(1)首先将经典的跟踪算法卡尔曼滤波、粒子滤波与相关滤波跟踪算法进行分析对比,确定本文在相关滤波的框架下来进行;接着对基于相关滤波器的一般跟踪过程进行详细介绍,主要包括提取目标的特征、训练滤波器以及更新滤波器这三个过程,并简单的介绍每个过程中不同算法采用的方法。(2)由于传统的基于颜色命名过程(CN)的目标跟踪算法,采用一种改进的颜色特征来对目标进行描述,具有运算量小且实时性好的优点,但传统CN算法在目标出现尺度变换时,跟踪的效果不好,为此我们对其进行改进,引入图像尺度金字塔来设计一种基于颜色特征的自适应目标跟踪算法,并采用国际上公用的测试集来对改进的方法进行定量与定性分析。(3)在实时的跟踪视频中,目标经常在复杂的环境中运动,而仅仅使用颜色特征来对目标进行描述的话,在目标与背景颜色相似或相近的时候,容易将背景与目标混淆,于是我们引入方向梯度直方图HOG这个局部特征,将全局特征与局部特征相结合,对目标进行比较全面的描述。实验表明,本文提出的算法在摄像机晃动,目标表观发生不可恢复的形变以及目标与背景颜色相似等复杂的运动场景下,都可以比较准确的跟踪到目标,克服了颜色特征与HOG特征各自的缺点,具有较好的鲁棒性。
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN713
【图文】：

图像序列,运动目标跟踪

运而生[2]。计算机视觉技术是一项研究如何让机器设备拥有人眼所具有的检测与识别功图像或多维数据流中获取“信息”功能的一种技术，其涉及图形学、人工智能识别等多个领域。随着计算机学科的发展，计算机视觉如雨后春笋般快速崛起数据分析是计算机视觉领域的一个研究热点，而视觉目标跟踪(Visual Obacking)是其主流。运动目标跟踪的任务是在视频序列的每一帧中都可以实时地、准确地找到感兴标的位置[3]。目标跟踪算法大致分为三步：首先建立目标模型，手动选取或通过程序找到感兴趣的目标位置，即目标的初始化后对目标进行特征提取；接着搜索位目标，在预测区域内采用某种搜索策略进行搜索，通过数学计算，在图像序列一帧中都找到与目标匹配度最高的区域；最后，对目标的运动轨迹进行分析预一般地，按照图像序列中感兴趣区域的个数，将运动目标跟踪分为单目标跟踪目标跟踪两大类，如图 1.1 所示。本论文针对图像序列中的一个感兴趣区域，即目标跟踪的基础上进行研究的。

框架图,判别式,框架,算法

图 1.3 判别式算法框架在基于判别式模型跟踪算法的研究初期，需要大量的训练样本来训练分类器，这就使初期的跟踪算法的速度达不到实时性的要求。SR Collins 等人提出了一种基于在线特征选择的判别式跟踪算法[21-23]，对于目标的所有特征，都采用似然估计的方法对背景与目标的方差比进行排名，进而选择最能判别背景与目标的特征训练分类器，虽然使得跟踪结果更为准确，但是在特征选取的过程中耗时久。接着 FengTang等人提出一种半监督式的目标跟踪算法[24]，该算法只需对少量的标记样本进行初始化，采用半监督学习的方法学习未标记的新样本，大大提升了跟踪的速度。后来，Henriques 等人提出了一种基于检测－跟踪的算法(Circulant Structure otracking - by - detection with Kernel，CSK)[25]，采用判别的方法来检测候选区域是否含有目标，降低了建立数学模型的复杂度，CSK 算法对作为训练样本的目标与周围背景进行循环移位，将其看作对目标与周围背景的密集采样，用来训练分类器，对候选区域进行循环移位，利用训练好的分类器检测并找到目标所在的位置。由于 CSK 算

【参考文献】