多带宽融合的实时目标跟踪算法

发布时间：2023-10-29 11:41

　　目标跟踪是计算机视觉领域的重要研究方向,是指在给定目标物体初始状态的情况下,估计目标在后续视频帧中的运动轨迹。目标跟踪算法在人机交互、智能视频监控等方面应用广泛,备受国内外研究者的关注。传统的跟踪算法通常采用相关滤波框架,虽然速度快,但手工特征不能有效捕获目标物体的语义信息,难以处理复杂的目标表观变化,对严重遮挡、非刚性形变等复杂情况鲁棒性较差;深度卷积特征的跟踪算法效果虽好,但速度较慢,不能满足实时性要求。于是,须综合考虑跟踪效果与运行速度。本文在分层卷积特征相关滤波目标跟踪算法的框架下,在特征选择、分类器训练、评估机制及模型更新等方面对算法的精确度和速度作进一步的改进,主要研究成果如下:1.提出特征能量均值比的方法对特征提取层的通道进行降维,提高算法精确度和速度。本文选取Poo14和Conv5-3两层的卷积特征,并根据输入图像搜索区域与目标区域特征间的能量均值比对特征通道进行自适应裁剪,减小了冗余特征对跟踪任务的干扰,提高算法的速度。2.提出多高斯滤波器预测位置自适应融合策略,对目标位置进行准确估计。考虑不同视频序列训练样本间的差异性,本文选取不同带宽因子的高斯分布样本分别训练多个...

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 目标跟踪领域难点与挑战
    1.4 研究内容与结构安排
第二章 基于稀疏卷积特征的相关滤波目标跟踪算法
    2.1 相关滤波器简介
    2.2 卷积特征
        2.2.1 VGG-19网络
        2.2.2 稀疏卷积特征
    2.3 带宽调整策略
    2.4 实验结果与分析
        2.4.1 数据集
        2.4.2 实验环境设置
        2.4.3 参数设置
        2.4.4 鲁棒性分析
    2.5 本章小结
第三章 多高斯相关滤波实时跟踪算法
    3.1 分层稀疏卷积特征
    3.2 多高斯相关滤波分类器
    3.3 自适应位置融合
    3.4 稀疏模型更新
    3.5 实验结果与分析
        3.5.1 实验评估指标
        3.5.2 参数设置
        3.5.3 跟踪性能对比
        3.5.4 鲁棒性评估
    3.6 小结
第四章 置信反馈调整的多高斯相关滤波跟踪算法
    4.1 自适应卷积特征
    4.2 置信反馈调整算法
        4.2.1 置信反馈与速率调整
        4.2.2 搜索区域调整与目标重定位
    4.3 实验结果分析
        4.3.1 参数设置
        4.3.2 跟踪性能对比实验
        4.3.3 鲁棒性评估实验
        4.3.4 不同策略效果评估
        4.3.5 不同算法跟踪效果对比
    4.4 小结
第五章 总结与展望
    5.1 全文工作总结
    5.2 未来工作展望
参考文献
在学期间的研究成果
致谢



本文编号：3858008