复杂场景下核相关滤波目标跟踪算法改进研究
发布时间：2021-08-11 19:11
在计算机视觉发展越来越快的今天,目标跟踪广泛运用在军事侦察、地图测绘、视觉导航等多个方面。目标跟踪算法需要在跟踪开始前选定跟踪目标并提取目标模板;在跟踪开始后,根据目标模板预测目标在最新一帧图像中的位置。在复杂场景下进行目标跟踪会遇到目标尺度变化、目标受遮挡、目标快速运动、目标形变与相似目标干扰等问题,从而影响跟踪效果。本文对核相关滤波器（Kernel Correlation Filter,KCF）跟踪算法进行改进,使其在目标发生尺度变化、受遮挡、形变与光照变化等复杂环境下有较好的跟踪效果,所做工作如下:（1）KCF跟踪算法在目标发生尺度变化或受长时间遮挡时无法准确跟踪目标。针对上述问题,本文提出了抗遮挡与尺度自适应的改进KCF跟踪算法。算法首先利用快速尺度估计对跟踪目标进行尺度变换。其次,当检测到目标受到遮挡时停止更新目标模型,融合加权窗口滤波器对目标位置进行预测,利用预测结果修正目标跟踪区域。最后,将算法移植到Guidance视觉平台上并为其设计跟踪实验,实验结果表明该算法能够有效解决目标尺度变化与目标受遮挡等跟踪问题。（2）为提高KCF跟踪算法在目标形变、光照变化等复杂背景下的跟...
【文章来源】：燕山大学河北省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
样本循环矩阵KCF跟踪算法中跟踪目标特征是由二维向量组成，同样可以运用循环位移的方
燕山大学工学硕士学位论文-10-式得到大量样本，不过需要考虑在横纵两个方向均要进行循环移位，行变换与列变换分别通过右乘和左乘置换矩阵获得。图2-2表示二维图像的列循环移位。图2-2二维图像的列循环移位2.3HOG特征提取循环位移得到大连样本后，需要提取取跟踪目标的特征信息来完成识别跟踪任务。由Dalal等[50]引入的方向梯度直方图(HOG)可以很好地描述目标边缘梯度变化较为强烈的区域，以此来识别目标轮廓，将目标的形状与外观有效地结合起来，受到目标几何形变与光学形变的干扰较校HOG特征的提取由以下几个部分组成[51]。(1)灰度化处理。依照式(2-3)将输入的RGB图像转化为单通道Gray图像。(x,y)R(x,y)*0.299G(x,)y*0.587BUx,*0.1(y)14(2-3)式中，U(x,y)本章为图像灰度信息，R(x,y)、G(x,y)和B(x,y)分别为图像红、绿、蓝信息。(2)采取gamma校正法标准化输入图像颜色空间，校正公式为：(,)(,)gammaVxyUxy(2-4)式中，gamma0.5，通过gamma处理后可降低光照变化和局部图像阴影的影响。(3)计算图像的梯度与方向。使用Sobel梯度算子计算所有像素的梯度值和梯度方向。x方向和y方向的梯度算子分别为：T[1,0,1],[1,0,1]xyGG(2-5)通过梯度算子可以得到I(x,y)中每个像素点的梯度G(x,y)和梯度方向(x,y)，水平向右与垂直向上为x与y方向上的正方向：22(,)(,),(,)arctan()(,)xxyyGxyGxyGGxyGxy(2-6)(4)构建9维hog特征向量。将像素信息分割成多个“cell”，每一个cell中有8*8个像素点。采用9个bin的直方图来统计像素梯度信息。如下图2-3所示：如果有一个像素的梯度方向在π(0,)9或10π(π,)9之间时，直方图中第1个bin的计数就加一。通过这种方式处理cell内每个像素，就可以获得该cell的9维特征向量。
第2章KCF跟踪算法介绍-11-图2-3图像方向直方图(5)归一化截断。利用该方式获得cell的36维特征向量。本章设D(i,j)为第(i,j)个cell的9维特征向量，与其相邻的特征向量为：(1,1)(1,)(1,1)(,1)(,)(,1)(1,1)(1)(1,1)ijijijijijijijiijDDDDDDDDD(2-7)本章定义β,γN为：222212(,)((,)(,)(,)(,))β,γNijDijDiβjDiβjγDijγ(2-8)通过式(2-7)与式(2-8)可从1维向量中可提取4维归一化向量，总共可以得4*9=36维特征向量。本章中H(i,j)代表36维特征向量，如式(2-9)所示：1,11,11,11,1min((,),(,))min((,),(,))(,)min((,),(,))min((,),(,))ijijijijijijijijijNDNDHNDND(2-9)(6)PCA降维。文献[51]利用PCA降维细化特征信息，如图2-4所示。图2-4图像36维特征信息图2-4中表示的是图像36维特征向量，将其分别按行、按列求和。按行求和可得到4维特征，每一维特征表示当前归一化向量中所有梯度特征的和，可以表现图像纹理信息；按列求和可以得到9维特征，表示每个梯度下所有归一化向量的和，
【参考文献】：
期刊论文
[1]融合MeanShift和改进SURF算法的目标定位策略[J]. 张毅,张瀚,韩晓园. 控制工程. 2020(04)
[2]改进STC和SURF特征联合优化的目标跟踪算法[J]. 黄云明,张晶,喻小惠,陶涛,龚力波. 计算机工程与科学. 2019(10)
[3]基于非线性导引的多无人机协同目标跟踪控制[J]. 张昕,李沛,蔡俊伟. 指挥信息系统与技术. 2019(04)
[4]无人机目标跟踪综述[J]. 徐怀宇,黄伟,董明超,吴金明. 网络新媒体技术. 2019(05)
[5]基于LoG算子的双滤波边缘检测算法[J]. 张阳,刘缠牢,卢伟家,刘璐. 电子测量技术. 2019(04)
[6]基于图像处理的车辆违章逆行识别[J]. 赵振东. 中国新通信. 2018(23)
[7]无人驾驶中的人工智能运用[J]. 倪宇清. 通讯世界. 2018(09)
[8]视觉目标跟踪方法研究综述[J]. 葛宝义,左宪章,胡永江. 中国图象图形学报. 2018(08)
[9]Automatic Feature Point Detection and Tracking of Human Actions in Time-of-flight Videos[J]. Xiaohui Yuan,Longbo Kong,Dengchao Feng,Zhenchun Wei. IEEE/CAA Journal of Automatica Sinica. 2017(04)
[10]基于深度学习的目标跟踪方法研究现状与展望[J]. 罗海波,许凌云,惠斌,常铮. 红外与激光工程. 2017(05)
博士论文
[1]无人驾驶车辆自主导航关键技术研究[D]. 贾会群.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
硕士论文
[1]基于相关滤波的视频目标跟踪技术研究[D]. 王艳川.战略支援部队信息工程大学 2018
[2]服务机器人视觉追踪技术研究[D]. 周燕秋.上海师范大学 2018
[3]基于核相关滤波的目标跟踪算法研究[D]. 罗雅愉.华南理工大学 2016
[4]运动目标跟踪技术的研究[D]. 张彦超.北京交通大学 2014
[5]基于视觉图像的移动目标跟踪技术研究[D]. 井亮.南京航空航天大学 2011
[6]军事运动目标的识别与跟踪研究[D]. 张丽.东北大学 2009
本文编号：3336730
【文章来源】：燕山大学河北省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
样本循环矩阵KCF跟踪算法中跟踪目标特征是由二维向量组成，同样可以运用循环位移的方
燕山大学工学硕士学位论文-10-式得到大量样本，不过需要考虑在横纵两个方向均要进行循环移位，行变换与列变换分别通过右乘和左乘置换矩阵获得。图2-2表示二维图像的列循环移位。图2-2二维图像的列循环移位2.3HOG特征提取循环位移得到大连样本后，需要提取取跟踪目标的特征信息来完成识别跟踪任务。由Dalal等[50]引入的方向梯度直方图(HOG)可以很好地描述目标边缘梯度变化较为强烈的区域，以此来识别目标轮廓，将目标的形状与外观有效地结合起来，受到目标几何形变与光学形变的干扰较校HOG特征的提取由以下几个部分组成[51]。(1)灰度化处理。依照式(2-3)将输入的RGB图像转化为单通道Gray图像。(x,y)R(x,y)*0.299G(x,)y*0.587BUx,*0.1(y)14(2-3)式中，U(x,y)本章为图像灰度信息，R(x,y)、G(x,y)和B(x,y)分别为图像红、绿、蓝信息。(2)采取gamma校正法标准化输入图像颜色空间，校正公式为：(,)(,)gammaVxyUxy(2-4)式中，gamma0.5，通过gamma处理后可降低光照变化和局部图像阴影的影响。(3)计算图像的梯度与方向。使用Sobel梯度算子计算所有像素的梯度值和梯度方向。x方向和y方向的梯度算子分别为：T[1,0,1],[1,0,1]xyGG(2-5)通过梯度算子可以得到I(x,y)中每个像素点的梯度G(x,y)和梯度方向(x,y)，水平向右与垂直向上为x与y方向上的正方向：22(,)(,),(,)arctan()(,)xxyyGxyGxyGGxyGxy(2-6)(4)构建9维hog特征向量。将像素信息分割成多个“cell”，每一个cell中有8*8个像素点。采用9个bin的直方图来统计像素梯度信息。如下图2-3所示：如果有一个像素的梯度方向在π(0,)9或10π(π,)9之间时，直方图中第1个bin的计数就加一。通过这种方式处理cell内每个像素，就可以获得该cell的9维特征向量。
第2章KCF跟踪算法介绍-11-图2-3图像方向直方图(5)归一化截断。利用该方式获得cell的36维特征向量。本章设D(i,j)为第(i,j)个cell的9维特征向量，与其相邻的特征向量为：(1,1)(1,)(1,1)(,1)(,)(,1)(1,1)(1)(1,1)ijijijijijijijiijDDDDDDDDD(2-7)本章定义β,γN为：222212(,)((,)(,)(,)(,))β,γNijDijDiβjDiβjγDijγ(2-8)通过式(2-7)与式(2-8)可从1维向量中可提取4维归一化向量，总共可以得4*9=36维特征向量。本章中H(i,j)代表36维特征向量，如式(2-9)所示：1,11,11,11,1min((,),(,))min((,),(,))(,)min((,),(,))min((,),(,))ijijijijijijijijijNDNDHNDND(2-9)(6)PCA降维。文献[51]利用PCA降维细化特征信息，如图2-4所示。图2-4图像36维特征信息图2-4中表示的是图像36维特征向量，将其分别按行、按列求和。按行求和可得到4维特征，每一维特征表示当前归一化向量中所有梯度特征的和，可以表现图像纹理信息；按列求和可以得到9维特征，表示每个梯度下所有归一化向量的和，
【参考文献】：
期刊论文
[1]融合MeanShift和改进SURF算法的目标定位策略[J]. 张毅,张瀚,韩晓园. 控制工程. 2020(04)
[2]改进STC和SURF特征联合优化的目标跟踪算法[J]. 黄云明,张晶,喻小惠,陶涛,龚力波. 计算机工程与科学. 2019(10)
[3]基于非线性导引的多无人机协同目标跟踪控制[J]. 张昕,李沛,蔡俊伟. 指挥信息系统与技术. 2019(04)
[4]无人机目标跟踪综述[J]. 徐怀宇,黄伟,董明超,吴金明. 网络新媒体技术. 2019(05)
[5]基于LoG算子的双滤波边缘检测算法[J]. 张阳,刘缠牢,卢伟家,刘璐. 电子测量技术. 2019(04)
[6]基于图像处理的车辆违章逆行识别[J]. 赵振东. 中国新通信. 2018(23)
[7]无人驾驶中的人工智能运用[J]. 倪宇清. 通讯世界. 2018(09)
[8]视觉目标跟踪方法研究综述[J]. 葛宝义,左宪章,胡永江. 中国图象图形学报. 2018(08)
[9]Automatic Feature Point Detection and Tracking of Human Actions in Time-of-flight Videos[J]. Xiaohui Yuan,Longbo Kong,Dengchao Feng,Zhenchun Wei. IEEE/CAA Journal of Automatica Sinica. 2017(04)
[10]基于深度学习的目标跟踪方法研究现状与展望[J]. 罗海波,许凌云,惠斌,常铮. 红外与激光工程. 2017(05)
博士论文
[1]无人驾驶车辆自主导航关键技术研究[D]. 贾会群.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
硕士论文
[1]基于相关滤波的视频目标跟踪技术研究[D]. 王艳川.战略支援部队信息工程大学 2018
[2]服务机器人视觉追踪技术研究[D]. 周燕秋.上海师范大学 2018
[3]基于核相关滤波的目标跟踪算法研究[D]. 罗雅愉.华南理工大学 2016
[4]运动目标跟踪技术的研究[D]. 张彦超.北京交通大学 2014
[5]基于视觉图像的移动目标跟踪技术研究[D]. 井亮.南京航空航天大学 2011
[6]军事运动目标的识别与跟踪研究[D]. 张丽.东北大学 2009
本文编号：3336730
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3336730.html
