基于相关性滤波器的实时物体追踪

发布时间：2020-11-05 15:13

　　 近年来相关性滤波器算法已经被成功应用于机器视觉领域中的物体追踪问题,取得了非常优秀的追踪效果。传统的物体追踪算法运行速度快但追踪精度差,只能够应用于一些简单的追踪场景。新提出的诸多物体追踪算法底层数学模型十分复杂甚至还需要集成深度学习进行视觉特征提取,巨大的运算量限制了其在实时追踪领域的应用。本文从相关性滤波器算法出发,以实时高精度物体追踪为目标,提出了一种高效的物体追踪算法来在CPU端实时追踪多个任意物体。追踪算法通过引入空域约束和特征权重来提高追踪结果的精确性及鲁棒性,通过合理的运动学估计模型来解决物体遮挡及物体严重形变的情形,通过对最终滤波器响应的分析来实时评估追踪结果的质量,从而采用多学习率融合方法动态更新底层模型。此外使用预计算傅里叶变换、动态内存管理、多核并行计算以及特征降维等方法来加快物体追踪算法的运行速度,并且提出了一种异步延迟更新策略来进一步减少运算量。在VOT数据集上进行实验测试取得了非常优秀的结果。相比于现有的CPU实时物体追踪方案,本文算法追踪效果提升6%,运行速度加快20%。本文算法能够将每个图像帧的处理时间降至5毫秒并且保持较好的追踪质量,具有广阔的应用空间。
【学位单位】：浙江大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TN713
【部分图文】：

?ｄ＝＼??其中＊表示圆周卷积操作，Ａ为正则化项系数，理想响应ｇ—般为ＴＶ维空间的高斯??分布，期望是０，标准差是ＣＴ，如图２．１所示。圆周卷积操作在本质上将目标物体??的所有圆周位移结果当作负样本，如图２．２所示，高斯分布期望为零，标准差为??１．５。??０．８?＇?１??：?Ｉ??４０?５０??３０??２０??Ｙ?Ｘ??图２．１二维高斯理想响应??这是一个标准的最小二乘问题，使用帕塞瓦尔（Ｐａｒｓｅｖａｌ）定理，将目标函数从??空域转换到傅里叶频域：??Ｎｄ?＾?＾?２?Ｎｄ?＾?２??￡＝?Ｔｊ?ｄｉａＳ（Ｌ?）Ｋｉ－ｇ?＋＾ＹｊＫ?（２．２）??ｄ＝＼?ｄ＝＼??其中，ａ?＝?ｖｅｃ（ｊＴ（ａ））表示对ａ先进行傅里叶变换再展开成一维列向量，￡／／〇ｇ（ａ）表??示将《转变为对角矩阵，Ｊ表示共轭操作。最小化函数（２．２）即可以对每个特征通道??求解相对应的相关性滤波器。可以通过让其一阶导数为零来求得该最小二乘问题??的数学封闭解：??１４??

?ｄ＝＼??其中＊表示圆周卷积操作，Ａ为正则化项系数，理想响应ｇ—般为ＴＶ维空间的高斯??分布，期望是０，标准差是ＣＴ，如图２．１所示。圆周卷积操作在本质上将目标物体??的所有圆周位移结果当作负样本，如图２．２所示，高斯分布期望为零，标准差为??１．５。??０．８?＇?１??：?Ｉ??４０?５０??３０??２０??Ｙ?Ｘ??图２．１二维高斯理想响应??这是一个标准的最小二乘问题，使用帕塞瓦尔（Ｐａｒｓｅｖａｌ）定理，将目标函数从??空域转换到傅里叶频域：??Ｎｄ?＾?＾?２?Ｎｄ?＾?２??￡＝?Ｔｊ?ｄｉａＳ（Ｌ?）Ｋｉ－ｇ?＋＾ＹｊＫ?（２．２）??ｄ＝＼?ｄ＝＼??其中，ａ?＝?ｖｅｃ（ｊＴ（ａ））表示对ａ先进行傅里叶变换再展开成一维列向量，￡／／〇ｇ（ａ）表??示将《转变为对角矩阵，Ｊ表示共轭操作。最小化函数（２．２）即可以对每个特征通道??求解相对应的相关性滤波器。可以通过让其一阶导数为零来求得该最小二乘问题??的数学封闭解：??１４??

?（ｄ）?（ｅ）??图２．２目标物体图像及其圆周位移??公式（２．３）是基于单个时间点样本所求得的相关性滤波器封闭解，即根据一个??正样本与多个负样本进行学习训练。为了求取更为鲁棒的相关性滤波器，可以考??虑之前多个时间点的样本，更新之后的空域目标函数如下：??Ｎｄ?２?Ｎｄ??ｓ＝ｌｌａｋ?＋＾ＺＷＩ?（２－４）??ｙｔ＝ｌ?ｄ＝＼?ｄ＝＼??其中为所需要考虑的样本时间点个数，％为不同时间点样本的权重，／／为第??ｉｔ个时间样本的第＾维特征。Ｋｉａｎｉ在其文章中推导了这一问题的数学封闭解［１８］，??最终需要求解ｉＶ个Ａ＾ｘＡ＾大小的线性系统，＃为＼中的元素个数，对于二维图??像而言，ＪＶ即为＼中的像素点数量。然而这种思路会带来很大的计算开销，因此??常被用于离线的物体追踪算法
【相似文献】

相关期刊论文 前10条

1 李文涛;马钺;;基于智能相机的目标物体的定位[J];控制工程;2011年S1期

2 杨淑莹,胡军,曹作良;基于图像纹理分析的目标物体识别方法[J];天津理工学院学报;2001年04期

3 黄伟;杨文姬;曾璟;曾舒如;陈光;;基于谱聚类和增量学习的运动目标物体检测算法研究[J];西北工业大学学报;2017年01期

4 ;牵引激光束能直接移动目标物体[J];黑龙江科技信息;2014年33期

5 ;光的奇迹[J];少儿科学周刊(少年版);2016年05期

6 朱方文,李德强,袁政鹏,吴家麒;一种用于目标物体跟踪的人工标志[J];计算机工程与应用;2004年31期

7 燕强;赵洪彬;曾宝锋;;利用地质雷达求取地下目标物体积研究综述[J];中国矿业;2017年S1期

8 谢新华;梁栋;张香倩;张东彦;周建军;;基于图像处理的目标物体最大内接矩形面积的检测[J];科学技术与工程;2015年17期

9 李亮;费凌;;机械手对目标物体抓取的研究[J];工业控制计算机;2009年01期

10 郝小蕾;宋爱国;纪鹏;;一种基于多视角图像的目标物体定位方法[J];测控技术;2015年05期

相关博士学位论文 前6条

1 吕轶;磁感应成像的若干关键技术研究[D];东北大学;2012年

2 冯斌;计算机视觉信息处理方法与水果分级检测技术研究[D];中国农业大学;2002年

3 王志恒;基于FPA的新型气动机器人多指灵巧手研究[D];浙江工业大学;2011年

4 荆伟;自闭症谱系障碍儿童词语习得中“快速映射”能力的实验研究[D];华东师范大学;2013年

5 王文丛;中波红外傅里叶变换成像光谱仪理论分析与光学系统设计研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2015年

6 白雪飞;基于视觉显著性的图像分割方法研究[D];山西大学;2014年

相关硕士学位论文 前10条

1 杜懈宇;关联成像照明光场的优化研究[D];北京邮电大学;2019年

2 张家玄;基于相关性滤波器的实时物体追踪[D];浙江大学;2019年

3 邱垚;基于3D目标识别的工业机器人无序分拣技术研究[D];西安理工大学;2019年

4 高爽;复杂环境光源变化下的二维图像分析与处理[D];天津大学;2018年

5 于雄飞;面向智能监控的目标检测追踪算法设计实现[D];西南交通大学;2018年

6 曾宪衡;基于立体视觉的空间目标物体测量研究[D];北京邮电大学;2018年

7 曾璟;基于深度学习框架的运动目标物体检测方法研究[D];南昌大学;2018年

8 张超;基于先验知识引导的压缩感知成像方法研究[D];南京大学;2017年

9 付金鑫;红外目标发射率模型辨识与表面温度测量[D];沈阳航空航天大学;2018年

10 曾舒如;基于多模态增量学习模型的目标物体检测方法研究[D];南昌大学;2016年

本文编号：2871811