基于核相关滤波的运动目标跟踪算法研究

发布时间：2020-07-25 16:57

【摘要】：目标跟踪是计算机视觉等领域的热门课题,其在智能交通、军事及无人驾驶等方面有着广泛的应用。国内外从事目标跟踪方面研究的学者层出不穷,但由于跟踪环境的复杂性,比如运动模糊、快速运动及遮挡等,使得跟踪目标的外观发生变化,因此设计一种鲁棒的目标跟踪算法仍存在着巨大挑战。近年来,关于目标跟踪的研究逐渐从传统的算法转向基于学习的算法,其中,基于相关滤波的运动目标跟踪算法将目标跟踪问题看成是目标的分类问题,然后在分类后的结果中找出置信度最大的位置即为当前目标的位置,其计算速度快,而且对目标模型进行实时地学习更新,因此该方法兼顾了跟踪速度的同时也具备较高的跟踪精度,引起了研究人员的广泛关注。本文讨论了相关滤波目标跟踪算法的优缺点,并更深入研究了此类算法,主要创新如下:(1)目标发生快速运动时,相邻帧之间目标位置变化较大,传统的核相关滤波算法不能很好的解决此类问题。因此在核相关滤波的基础上,提出了一种新的检测模型,在保障算法时间复杂度的条件下,扩大搜索区域,在更加可靠的区域内进行目标搜索。为了进一步提高算法的跟踪性能,我们提出空间约束方法,即为每个小搜索区域分配一个权重。我们假定上一帧的跟踪结果具有一定的可靠性,则下一帧目标可能出现在以上一帧跟踪结果为中心的搜索区域内的概率会更大,因此赋予在中心位置的小搜索区域更高的权重。实验表明,本章提出的方法能有效地解决目标的快速运动问题。(2)为了解决传统的核相关滤波跟踪算法无法很好地处理目标遮挡问题,在新检测模型的基础上,加入了面向遮挡的自适应模型更新方法。新的遮挡检测机制利用历史帧信息作为目标被遮挡情况的初步判断,其次利用当前帧的最大响应值与响应均值来最终判断目标当前的遮挡情况,然后利用遮挡检测所得出的结果对模型进行自适应更新。当目标未被遮挡时,按初始权重更新模型,而当目标发生遮挡时,减小模型的更新权重,从而减少非目标遮挡信息更新到目标模型,使得模型更新更加准确。实验结果表明,本章提出的算法能很好地解决目标被遮挡的问题,并且具备更高的综合性能。本文围绕当前目标跟踪中面临的各种困难与挑战,对核相关滤波跟踪算法进行了深入研究,根据其存在的缺陷问题,提出了对应的改进方法。实验中采用的数据集是跟踪领域的标准视频库Visual Tracker Benchmark,并且本文的算法与九种目前领先的跟踪算法进行对比。实验结果表明,本文设计的算法在目标快速运动、遮挡情况下,具有较好的跟踪性能。
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TN713
【图文】：

目标跟踪,基本流程

图 1.1 目标跟踪基本流程因此，我们可将目标跟踪过程分为五个部分：（1）运动模型；（2）特征提；（3）观察模型；（4）模型更新；（5）集成方法。下面将对每一部分进行详介绍。运动模型（Motion Model）:候选目标生成的速度与质量在很大程度上决定了踪系统的性能。常用的两种运动模型是粒子滤波（Particle Filter）与滑动窗口Sliding Window）。粒子滤波是一种顺序重要性采样法，利用递归方式预测目隐含的状态。滑动窗口是穷举搜索法，它是列出目标周围的所有可能样本作为选样本。特征提取（Feature Extractor）:具有判别性的目标特征是跟踪算法成功的关。常用特征可分为两类，即手工特征（Hand-crafted feature）与深度特征（Deeature）。其中手工特征常用的有 Harr-like 特征、HOG 特征及 SIFT 特征等。而度特征是利用大量训练样本自动学习出的特征，它拥有更强的判别性。观察模型（Observation Model）:大部分的目标跟踪算法主要在此部分进行

示意图,相关滤波,原理,示意图

该算法使用最小化误差模型与循环矩阵创建分类找到预测分布的最大响应值来确定目标的最终位换提升计算速度。本章主要介绍相关滤波跟踪算器原理器基础是信号处理中的方法，其在目标检测、目标识别波器的响应可利用两个图像块的时域卷积转换到，因此大幅提升了运算速度。的思想来源于相关运算，通过计算两个信号的相个信号越相似，则得到的值就会越高。相关滤波一个滤波模板，使其作用在目标上时，最后得到的

相关滤波,基本流程,样本,相关滤波器

硕士学位论文负样本，提取特征来训练分类器；2）读入第 t 1帧的图像，在当前帧中以第 t帧目标所在的位置为中心，在其周围采集样本作为候选样本，提取特征经过余弦窗函数处理后，再做 FFT 变换；3）用训练好的分类器对所有候选样本进行检测，即用 2）中的结果与相关滤波器相乘，再做 IFFT，每个样本对应着分类器的一个响应值，响应值最大的位置作为最终预测的目标位置，最后用新位置的样本更新相关滤波器。基于相关滤波的跟踪算法利用 FFT，将时域内的操作转换到频域，加快了分类器的学习速度，从而提高了算法的运行速率，并使得算法能满足跟踪过程中的实时性要求，因此受到研究者的广泛关注。基于相关滤波目标跟踪算法的基本流程如图 2.2：

【参考文献】