基于轨迹预测与相关滤波的目标跟踪算法研究
发布时间：2021-07-23 03:42
运动目标的跟踪一直是计算机视觉领域的一个重要分支,在越来越复杂的环境中,要同时保证跟踪的精确度和速度仍具有很大的挑战。相关滤波（CF）的目标跟踪算法在跟踪领域一直具有很高人气,主要原因是他具备处理速度的优势还具备很好的跟踪效果。本文基于相关滤波跟踪器的设计在复杂环境中能兼顾精确度和速度,即提升跟踪的精确度同时达到实时效果。主要工作内容如下:（1）核相关滤波算法（KCF）计算效率高,它通过使用快速傅里叶变换使算法在保持实时性的同时进一步拓展了高维特征。而它的不足之处在于复杂的环境中跟踪性能差,所有的循环移位都采用了周期假设引入了不必要的边界效应导致候选样本响应度计算量大且响应值结果低。因此对KCF进行了优化。在KCF的基础上设计了一种轨迹预测算法,提前预测目标的轨迹,为接下来的目标跟踪确定方向,缩小样本集的容量,减小循环周期避免不必要的边界效应,提升目标跟踪的精确度。（2）相关滤波算法中模型更新都在每一帧跟踪结束后进行更新,当目标发生遮挡或变形时,有可能发生模型漂移,进而导致后续帧无法跟踪目标。因此后期模型的更新基于多峰检测,引入相关滤波类循环特征图大边缘跟踪方法（LMCF）中的APCE...
【文章来源】：哈尔滨师范大学黑龙江省
【文章页数】：43 页
【学位级别】：硕士
【部分图文】：
循环矩阵移位的例子Fig2-1Exampleofcyclicmatrixshift
哈尔滨师范大学硕士学位论文8{|0,1,,1}uPxun(2-2)同样，我们可以等价的把这个集合的前半部分看成正方向的位移，下半部分便是负方向的位移。图2-2循环矩阵的图解Fig2-2Graphicofcyclicmatrix2.1.2岭回归训练岭回归又称脊回归，主要解决在回归分析中使用正则化的方法来解决不适应的问题。专用于共性数据分析的有偏估计回归方法，其本质就是对最小二乘估计法作改良，放弃无偏性，以降精度、损信息为代价获取回归系数更符合、可靠的回归方法。通过对回归系数增加惩罚机制解决最小二乘法的一些问题。其通过岭回归系数最小化带惩罚项的残差平方和：22min(())||||iiwiwfxyw(2-3)其中（xi，yi）为训练样本，样本xi为列向量，yi表示标量。(xi)为线性回归函数。λ为正则项，然后对w求偏导，结合傅里叶变换，将权重向量转到傅里叶域便大大减小了计算量。训练集的组成就是获取的目标区域通过此计算方法位移得到的若干样本，样本相对应的标签是根据样本与正样本的距离准则决定的，距离越近可能性越大。在KCF算法中训练过程便是岭回归问题，和其他分类器训练的目标函数一样，此分类器的目标函数也是损失函数和正则化项相加的形式。2.1.3快速检测目前的目标检测算法都比较复杂、在计算上耗费时间且缺乏鲁棒性。并且在实时的处理中也会受到其他的限制，在复杂的背景下中进行快速检测便也是很棘手的问题，而KCF对这一部分进行了优化。在KCF的检测过程中我们很少使用回归函数(z)评估一个单独的图像样本。为了检测目标所处的位置，我们通常会在几个图像位置上对(z)求值。即使用多个候选样本。这些样本可以通过循环移位来建模。采用循环矩阵对待检测的图像块z进行循环化，在目标检测的场景中使用的公式为：()()zTfzK(2-4)
哈尔滨师范大学硕士学位论文12图2-4轨迹预测在无人驾驶方面的规划结构Fig2-4Planningstructureoftrajectorypredictionindriverless2.3本章小结本章节通过拆分KCF算法，细致划分了主要的算法流程以及解释数学公式推导过程。KCF在跟踪领域贡献是极大的，他让实时的目标跟踪技术成为可能。具体的贡献可大致分为以下三点：（1）首次提供了滤波算法融入多通道数据的方法。（2）利用核函数实现了线性空间的岭回归向非线性空间的映射，在非线性空间上通过求解对偶问题和常见的约束并使用循环矩阵、傅里叶空间对角化来简化计算。（3）使用循环矩阵采集目标区域的正负样本，并使用岭回归训练检测器，成功的将矩阵的运算通过傅里叶对角化性质转化为向量的Hadamad积的形式，大大降低运算量，提升计算速度，满足实时性的要求。通过大量阅读关于轨迹预测的中外文献，发现此算法很贴合跟踪领域的研究现状，在目标跟踪方面有研究的意义，同时也对轨迹预测方面做了介绍与分析。
本文编号：3298524
【文章来源】：哈尔滨师范大学黑龙江省
【文章页数】：43 页
【学位级别】：硕士
【部分图文】：
循环矩阵移位的例子Fig2-1Exampleofcyclicmatrixshift
哈尔滨师范大学硕士学位论文8{|0,1,,1}uPxun(2-2)同样，我们可以等价的把这个集合的前半部分看成正方向的位移，下半部分便是负方向的位移。图2-2循环矩阵的图解Fig2-2Graphicofcyclicmatrix2.1.2岭回归训练岭回归又称脊回归，主要解决在回归分析中使用正则化的方法来解决不适应的问题。专用于共性数据分析的有偏估计回归方法，其本质就是对最小二乘估计法作改良，放弃无偏性，以降精度、损信息为代价获取回归系数更符合、可靠的回归方法。通过对回归系数增加惩罚机制解决最小二乘法的一些问题。其通过岭回归系数最小化带惩罚项的残差平方和：22min(())||||iiwiwfxyw(2-3)其中（xi，yi）为训练样本，样本xi为列向量，yi表示标量。(xi)为线性回归函数。λ为正则项，然后对w求偏导，结合傅里叶变换，将权重向量转到傅里叶域便大大减小了计算量。训练集的组成就是获取的目标区域通过此计算方法位移得到的若干样本，样本相对应的标签是根据样本与正样本的距离准则决定的，距离越近可能性越大。在KCF算法中训练过程便是岭回归问题，和其他分类器训练的目标函数一样，此分类器的目标函数也是损失函数和正则化项相加的形式。2.1.3快速检测目前的目标检测算法都比较复杂、在计算上耗费时间且缺乏鲁棒性。并且在实时的处理中也会受到其他的限制，在复杂的背景下中进行快速检测便也是很棘手的问题，而KCF对这一部分进行了优化。在KCF的检测过程中我们很少使用回归函数(z)评估一个单独的图像样本。为了检测目标所处的位置，我们通常会在几个图像位置上对(z)求值。即使用多个候选样本。这些样本可以通过循环移位来建模。采用循环矩阵对待检测的图像块z进行循环化，在目标检测的场景中使用的公式为：()()zTfzK(2-4)
哈尔滨师范大学硕士学位论文12图2-4轨迹预测在无人驾驶方面的规划结构Fig2-4Planningstructureoftrajectorypredictionindriverless2.3本章小结本章节通过拆分KCF算法，细致划分了主要的算法流程以及解释数学公式推导过程。KCF在跟踪领域贡献是极大的，他让实时的目标跟踪技术成为可能。具体的贡献可大致分为以下三点：（1）首次提供了滤波算法融入多通道数据的方法。（2）利用核函数实现了线性空间的岭回归向非线性空间的映射，在非线性空间上通过求解对偶问题和常见的约束并使用循环矩阵、傅里叶空间对角化来简化计算。（3）使用循环矩阵采集目标区域的正负样本，并使用岭回归训练检测器，成功的将矩阵的运算通过傅里叶对角化性质转化为向量的Hadamad积的形式，大大降低运算量，提升计算速度，满足实时性的要求。通过大量阅读关于轨迹预测的中外文献，发现此算法很贴合跟踪领域的研究现状，在目标跟踪方面有研究的意义，同时也对轨迹预测方面做了介绍与分析。
本文编号：3298524
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3298524.html
