融合时空信息的连续相关滤波用于目标跟踪
发布时间：2020-08-10 16:55
【摘要】：由于目标跟踪在现实生活中的有着广泛的覆盖,比如,其在视频监控、无人驾驶、增强现实以及人机交互等实际应用中担任着极为关键的角色,是多个应用能够顺利进行的保障。视觉目标跟踪是计算机视觉领域中一项十分重要的课题。尽管一大批致力于研究目标跟踪的学者已经提出了大量的跟踪算法,但是,由于影响目标跟踪的因素有很多,比如,遮挡、快速运动、背景杂乱、光照变化、尺度变化等,因此设计一种在复杂多变场景下依旧稳健的性能良好的跟踪器仍然是一项巨大的挑战。近年来,基于相关滤波器的目标跟踪算法吸引了大量学者的注意,而且取得了优秀的成果,因此本文提出了一种融合时空信息的连续相关滤波用于目标跟踪,旨在提高复杂情景下视觉目标跟踪算法的鲁棒性和准确性。本文的主要工作和创新点如下:(1)研究基于相关滤波器的目标跟踪算法,并提出新的损失函数。基于相关滤波器的目标跟踪模型已经取得大量的关注并且在实时跟踪中取得了不错的成绩。但是,当前相关滤波跟踪器范式中的损失函数不能对遮挡和光照变化引起的外观变化做出可靠的响应,因此,利用滤波器响应的各向异性,本文提出了一种提高整体跟踪性能的损失函数。(2)将相关滤波跟踪框架与深度学习结合,利用深度卷积神经网络对目标进行特征提取,由于深卷积层有利于图像分类,浅卷积层对于精确的目标定位至关重要。所以本文在空间上利用多个不同网络层提取出的特征信息,将不同网络层的相关滤波器响应图进行融合,对每一个响应结果根据其损失误差分配不同的权重,充分利用目标的空间信息。(3)提出自适应更新模版的方法。传统的相关滤波跟踪器的模版更新策略是,不论所要学习的模版的好坏与否,均采用一个固定的学习率。而本文提出一种自适应模版更新策略,在时间上根据目标外观的变化自适应地改变学习率,提高了跟踪器的准确性。
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TN713
【图文】：
标跟踪领域常用的性能评价指标。逡逑２．１目标跟Ｓｓ框架逡逑Ｗａｎｇ等人［３１］将目标跟踪体系框架拆为几个独立的模块进行分析，如图２－１逡逑所示。目标跟踪初始，我们首先根据视频序列中第一桢的跟踪框（ｇｒｏｕｎｄ邋ｔｒｕｔｈ），逡逑初始化观测模型，然后开始对之后的图像一帧一帧地进行处理，新的一帧到来时，逡逑先用运动模型对该图像进行处理，产生一系列的候选区域；提取出每一个候选区逡逑域的图像特征；然后，假设每个候选区域是所要跟踪定位的目标区域，利用观测逡逑模型来计算分数，分数最大的区域则被定位为目标的位置，同时，根据观测模型逡逑的输出判断是否要对模版进行更新，以及进行更新所采用的更新策略；另外，如逡逑果跟踪算法是多个分类器融合而得到的，还要将每个分类器的输出进行整体后处逡逑理来得到最终目标跟踪的结果。逡逑镣入祯逦运动模型逦特征提取逦观涵楔型逡逑－－一逡逑最}B预pc结果逦总体后处２逡逑图２－１目标跟踪框架逡逑８逡逑
的基于相关滤波器的跟踪算法［６］［６６］［６７］［６８］的提出，相关滤波跟踪已被证明在效率逡逑和鲁棒性方面有着巨大的优势，大大地加快了视觉目标跟踪的发展。逡逑根据现有的基于相关滤波器的跟踪方法，基本的跟踪框架流程展示于图２－３。逡逑在初始化后的每个帧中，在上一帧估计到的目标位置周围进行裁剪作为当前的输逡逑入。随后，提取图像的视觉特征以更好地描述输入，并且使用余弦窗函数对窗口逡逑边界上的不连续性进行平滑。然后，在频域利用学习好的相关滤波器根据卷积理逡逑论进行相关运算，在候选区域对目标进行检测。图中的符号0表示对应元素的计逡逑算、ＦＦＴ表示快速傅里叶变换。通过相关滤波器运算之后，再进行逆ＦＦＴ（ＩＦＦＴ）逡逑运算获得响应图，其峰值可预测为目标的新位置。最后，提取新估计位置的特征逡逑信息，与分类器的理想输出一起用于目标外观模型的建立，然后用更新完的相关逡逑滤波器在新的视频帧中寻找目标的下一个位置。逡逑ＩｗＭＪ逡逑—逦ＪＬ１９９＿／逡逑Ｉ邋逦邋Ｉ逦＿逡逑ｆ邋当前输
再利用循环矩阵在频域的特性，使用快速傅里叶变换（ＦＦＴ），在不逡逑需要遍历所有子窗口的前提下快速整合各个子窗口中的所有信息。逡逑如图２－４展示了在垂直方向上将基准样本循环移位的结果。从左到右分别是逡逑循环下移３０个像素，循环下移１５个像素，基准样本，循环上移１５个像素以及逡逑循环上移３０个像素。对于一般的二维图像，我们有水平方向的移位和垂直方向逡逑的移位。图２－４只展示了垂直方向上的移位，水平方向上也同理可得。逡逑—”邋ｆ．．．．．．＾．．．…—：……逡逑ｆ逦．逦Ａ逡逑：么邋ａ逡逑一－＇邋逦逡逑＋３０逦＋１５逦基准样本逦－１５逦－３０逡逑图２－４基准样本及其循环移位示意图逡逑我们假设一个ｎ维向量ｘ＝邋［１0，：＼：１，；＾２，．．．，；１：７１＿１］表示目标图像的特征，且称其逡逑为基准样本。那么，可以通过基准样本的循环移位来获得训练样本：逡逑■＾０逦＾１邋＾２逦＊＾ｎ—１逡逑ｘｎ－ｌ邋－＾０逦…＾ｎ－２逡逑Ｘ邋＝邋Ｃ（Ｘ）＝尤７１－２邋尤邋ｎ－１逦％０逦…尤汀－３逡逑．Ｘ２逦＾３逦…邋尤０邋■逡逑该循环矩阵的每一行（或每一列）都是其上一行（或左边一列）循环移位一逡逑个元素得到的。将基准样本作为训练分类器的正样本，其他循环移位得到的样本逡逑均当作副样本，那么训练样本矩阵ｘ则表示了输入图像的所有表征可能。根据循逡逑环卷积定理
本文编号：2788365
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TN713
【图文】：
标跟踪领域常用的性能评价指标。逡逑２．１目标跟Ｓｓ框架逡逑Ｗａｎｇ等人［３１］将目标跟踪体系框架拆为几个独立的模块进行分析，如图２－１逡逑所示。目标跟踪初始，我们首先根据视频序列中第一桢的跟踪框（ｇｒｏｕｎｄ邋ｔｒｕｔｈ），逡逑初始化观测模型，然后开始对之后的图像一帧一帧地进行处理，新的一帧到来时，逡逑先用运动模型对该图像进行处理，产生一系列的候选区域；提取出每一个候选区逡逑域的图像特征；然后，假设每个候选区域是所要跟踪定位的目标区域，利用观测逡逑模型来计算分数，分数最大的区域则被定位为目标的位置，同时，根据观测模型逡逑的输出判断是否要对模版进行更新，以及进行更新所采用的更新策略；另外，如逡逑果跟踪算法是多个分类器融合而得到的，还要将每个分类器的输出进行整体后处逡逑理来得到最终目标跟踪的结果。逡逑镣入祯逦运动模型逦特征提取逦观涵楔型逡逑－－一逡逑最}B预pc结果逦总体后处２逡逑图２－１目标跟踪框架逡逑８逡逑
的基于相关滤波器的跟踪算法［６］［６６］［６７］［６８］的提出，相关滤波跟踪已被证明在效率逡逑和鲁棒性方面有着巨大的优势，大大地加快了视觉目标跟踪的发展。逡逑根据现有的基于相关滤波器的跟踪方法，基本的跟踪框架流程展示于图２－３。逡逑在初始化后的每个帧中，在上一帧估计到的目标位置周围进行裁剪作为当前的输逡逑入。随后，提取图像的视觉特征以更好地描述输入，并且使用余弦窗函数对窗口逡逑边界上的不连续性进行平滑。然后，在频域利用学习好的相关滤波器根据卷积理逡逑论进行相关运算，在候选区域对目标进行检测。图中的符号0表示对应元素的计逡逑算、ＦＦＴ表示快速傅里叶变换。通过相关滤波器运算之后，再进行逆ＦＦＴ（ＩＦＦＴ）逡逑运算获得响应图，其峰值可预测为目标的新位置。最后，提取新估计位置的特征逡逑信息，与分类器的理想输出一起用于目标外观模型的建立，然后用更新完的相关逡逑滤波器在新的视频帧中寻找目标的下一个位置。逡逑ＩｗＭＪ逡逑—逦ＪＬ１９９＿／逡逑Ｉ邋逦邋Ｉ逦＿逡逑ｆ邋当前输
再利用循环矩阵在频域的特性，使用快速傅里叶变换（ＦＦＴ），在不逡逑需要遍历所有子窗口的前提下快速整合各个子窗口中的所有信息。逡逑如图２－４展示了在垂直方向上将基准样本循环移位的结果。从左到右分别是逡逑循环下移３０个像素，循环下移１５个像素，基准样本，循环上移１５个像素以及逡逑循环上移３０个像素。对于一般的二维图像，我们有水平方向的移位和垂直方向逡逑的移位。图２－４只展示了垂直方向上的移位，水平方向上也同理可得。逡逑—”邋ｆ．．．．．．＾．．．…—：……逡逑ｆ逦．逦Ａ逡逑：么邋ａ逡逑一－＇邋逦逡逑＋３０逦＋１５逦基准样本逦－１５逦－３０逡逑图２－４基准样本及其循环移位示意图逡逑我们假设一个ｎ维向量ｘ＝邋［１0，：＼：１，；＾２，．．．，；１：７１＿１］表示目标图像的特征，且称其逡逑为基准样本。那么，可以通过基准样本的循环移位来获得训练样本：逡逑■＾０逦＾１邋＾２逦＊＾ｎ—１逡逑ｘｎ－ｌ邋－＾０逦…＾ｎ－２逡逑Ｘ邋＝邋Ｃ（Ｘ）＝尤７１－２邋尤邋ｎ－１逦％０逦…尤汀－３逡逑．Ｘ２逦＾３逦…邋尤０邋■逡逑该循环矩阵的每一行（或每一列）都是其上一行（或左边一列）循环移位一逡逑个元素得到的。将基准样本作为训练分类器的正样本，其他循环移位得到的样本逡逑均当作副样本，那么训练样本矩阵ｘ则表示了输入图像的所有表征可能。根据循逡逑环卷积定理
【参考文献】
相关期刊论文 前1条
1 侯明正;冯子亮;刘艳丽;王棣;;光照变动条件下基于图切割算法的运动目标跟踪[J];光电子.激光;2012年05期
本文编号：2788365
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2788365.html
