基于相关滤波器的运动目标跟踪技术

发布时间：2023-02-25 20:22

　　目标跟踪技术的研究不仅能够促进计算机视觉等理论的发展,而且还广泛地应用于生活中,具有重要的应用价值。由于在跟踪过程中会遇到各种复杂的挑战因素,这就需要提高算法的鲁棒性。本文针对主流的目标跟踪方法进行研究,考虑到深度学习已经成功地应用于图像处理领域,将深度学习的方法与相关滤波的框架进行相结合。首先针对单一特征不能较好地对目标外观进行建模的问题,可以采用特征融合和深度学习中卷积网络模型的方式进行改进。其中使用深度学习的方式可以得到含有空间信息和语义信息的特征,再用特征去训练相关滤波器,将滤波器的结果进行加权融合,寻找响应最大值的位置。其次,由于该框架使用固定大小的搜索窗口,在跟踪过程中,目标与摄像头的相对移动会引起尺度变化。因此,本文引入尺度估计的方法。通过对多种尺度的候选样本进行学习,可以实现尺度自适应跟踪。最后,为了提高跟踪精度,将检测得到的置信度进行阈值比较。如果大于阈值,就作为目标所在的位置,这样做有利于提高正负样本的准确性。本文在大量视频序列上对改进算法进行测试。同时,本文还设计一个实时跟踪界面,采用摄像头实时拍摄对目标进行跟踪,并在不同情况下做了实验分析,使其可以真正的应用于实...

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
中文文摘
绪论
    1 课题研究背景及意义
    2 国内外研究现状
    3 技术难点
    4 本文主要内容及结构安排
第一章 总体结构
    1.1 需求分析
        1.1.1 硬件功能描述
        1.1.2 软件功能描述
    1.2 总体设计
        1.2.1 总体架构图
        1.2.2 系统总流程图
        1.2.3 系统功能模块图
    1.3 本章小结
第二章 目标跟踪技术基础
    2.1 目标跟踪技术介绍
    2.2 相关滤波器的介绍
        2.2.1 相关滤波器的基本概念
        2.2.2 相关滤波器的设计
    2.3 基于相关滤波器的目标跟踪
        2.3.1 构建核相关滤波器
        2.3.2 目标的快速检测
        2.3.3 跟踪算法流程
    2.4 本章小结
第三章 基于核相关滤波器改进的目标跟踪技术
    3.1 特征提取
        3.1.1 方向梯度直方图
        3.1.2 颜色特征
        3.1.3 特征融合
    3.2 目标尺度检测
    3.3 再检测机制
    3.4 实验结果及分析
        3.4.1 定量分析结果
        3.4.2 定性分析结果
    3.5 本章小结
第四章 基于卷积神经网络的目标跟踪技术
    4.1 人工神经网络
    4.2 卷积神经网络
        4.2.1 卷积神经网络中的反向传播算法
        4.2.2 Softmax分类器
    4.3 经典的卷积神经网络模型简介
    4.4 卷积神经网络用于特征提取
        4.4.1 卷积层输出特征用于分类的实验分析
        4.4.2 卷积层输出特征用于跟踪的实验分析
    4.5 基于卷积网络的目标跟踪方法
        4.5.1 结合卷积神经网络与相关滤波的跟踪算法
        4.5.2 整体框架
        4.5.3 算法设计
    4.6 本章小结
第五章 跟踪界面的实现与实验测试
    5.1 视频图像的采集与传输
    5.2 软件模块详细设计
        5.2.1 摄像头视频读取和接收
        5.2.2 选取跟踪目标
        5.2.3 跟踪模块的实现
    5.3 实验与测试
        5.3.1 测试概述
        5.3.2 测试预期效果
        5.3.3 实验环境与测试条件
        5.3.4 基于摄像头的目标实时跟踪分析
        5.3.5 跟踪精度测试
    5.4 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 研究展望
参考文献
攻读学位期间承担的科研任务与主要成果
致谢
个人简历



本文编号：3749133