基于核相关滤波的视频目标跟踪算法研究

发布时间：2020-07-07 00:01

【摘要】：视频目标跟踪作为计算机视觉的一个研究热点,被广泛应用在民生和军事等各个领域。KCF目标跟踪算法采用性能较好的HOG特征提高跟踪准确度,并使用循环移位的近似密集采样方式,通过核机制实现高维空间内积的快速计算,降低运算复杂度,获得了较高的跟踪速度。由于实际跟踪环境的多样性,跟踪场景及目标变化复杂,KCF算法对快速运动、运动模糊、出视野、尺度变化、刚性形变等属性的视频跟踪效果不佳。快速运动视频场景容易导致目标跟踪框的漂移现象,目标跟踪失误可能会不断地蔓延与积累,最终造成目标跟踪严重失败。为了解决上述问题,本论文提出了一种改进的自适应多采样KCF目标跟踪算法。算法引入PSNR跟踪失误判断机制来判断当前目标跟踪结果是否正确,并采用多采样块的目标跟踪检测方法来提高跟踪准确度。如果当前目标位置跟踪正确,则输出跟踪目标:反之如果判断当前目标位置跟踪失误,则采用KCF算法检测多个采样块,其中多个采样块滤波器响应值最大的位置为最终跟踪到的目标位置。该算法涉及跟踪失误判别指标阈值、多采样块分布偏移步长,以及多采样块分布方法三个参数,论文通过大量实验测试分析,分别给出了这些参数的选择依据和最优参数取值。对比目前先进的相关滤波目标跟踪算法,实验结果显示本文改进的算法跟踪性能相对更佳,在OTB-100数据集中进行评估时比原始KCF算法在精确度和成功率上分别提高了5.3%和4.3%。特别是对于快速运动、运动模糊以及出视野属性的视频序列,本文算法与原始KCF算法相比在精确度上分别提高了 17.6%、22%以及28.2%,且平均跟踪速率达到108.75FPS,证明了本文算法在高速率跟踪的基础上拥有更优秀的跟踪准确率。
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TN713
【图文】：

目标跟踪,计算复杂度,纹理特征,特征提取

形成 9+18=27 个通道，将每个通道数据进行叠加，得到 27 维图像的准确描述，FHOG 特征还引入了 4 个图像的表观纹理特征1 维的数据，在保留绝大部分信息的基础上，成功将 HOG 的了特征提取时的计算复杂度，使 FHOG 特征应用到目标跟踪较小。

影响图,成功率,精确度,梯度方向直方图

┨荻确较蚧釒挚?（b）单元 cell 内统计梯度方向图 2.2 统计单元 cell 内梯度方向直方图2.4.4 块内归一化以无符号梯度投票为例，定义每 4 个相邻的 cell 为一个 block 块，每个 block 块的梯度方向直方图由 4 个 cell 的梯度方向直方图串联而成，则每个 block 块可得一个 36 维的特征向量。当图像受光照影响较大时，梯度幅值将产生较大的变化，影响图像的边缘信息，为了进一步降低光照变化的影响，需要对 block 块内的特征向量进行归一化处理。归一化处理方式有四种，可表示为：L2-norm：222vevf （2.16）L1-norm：()1vevf （2.17）L1-sqrt:()1vevf （2.18）L2-Hys：它可以通过先进行 L2-norm，对结果进行截短（即值被限制为v- 0 .2v之间），然后再重新归一化得到。其中v 为 36 维的 block 特征向量

相关滤波,谱系结构,类目,跟踪算法

相关滤波目标跟踪算法将相关滤波的概念引入到目标跟踪领域，通过设计滤波器标与背景进行区分，从而完成目标检测，达到对视频目标进行跟踪的目的。如图 3.1 所示，本文总结了近年来性能良好的相关滤波类目标跟踪算法，并梳理发展的谱系结构。

【参考文献】