基于区域特征匹配的目标跟踪算法研究

发布时间：2021-06-25 01:45

　　目标跟踪作为计算机视觉中的重要课题之一,极具现实意义和应用价值,在人机交互、智能监控、医疗诊断、无人驾驶等应用领域发挥着重要作用。虽然近些年目标跟踪技术不断取得重大的进展,但由于实际应用场景的多样性和复杂性,给目标跟踪技术带来了巨大的挑战,因此目标跟踪技术的研究仍是一个极具科研价值和挑战性的课题。目标跟踪技术的难点是保证算法对各种复杂场景的适应能力,并兼顾算法的性能。本文针对目标跟踪的技术难点,在相关工作的基础上,从目标特征和跟踪模型上进行研究,以提高算法在各种复杂跟踪场景中的鲁棒性和准确性,并在此基础上尽量提升算法的实时性。本文选取生成式跟踪方法中的Mean Shift跟踪框架和判别式跟踪方法中的相关滤波跟踪框架进行研究,主要研究工作和成果如下:（1）在Mean Shift跟踪框架下,针对跟踪场景中背景干扰和遮挡对跟踪算法性能和鲁棒性的影响,提出了一种基于多通道提取AHLBP（Adaptive Haar Local Binary Pattern）纹理特征的目标跟踪算法。本算法在分析了HLBP（Haar Local Binary Pattern）纹理在表达图像特征中存在的缺陷之后,考虑... 

【文章来源】：河南工业大学河南省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

生成式跟踪方法的基本框架

河南工业大学硕士学位论文使用在线学习的核结构输出支持向量机（SupportVectorMachine，SVM）提供自适应跟踪，给出了基于结构输出预测的自适应跟踪框架。为了使跟踪器能够以高帧率运行，引入一种预算机制，防止跟踪过程中支持向量数量的无限增长，在一定程度上优化了算法对文献[32]的 Struck 跟踪算法而言，在进行训练时选择的优化算法复杂度高，限制了跟踪速度。Ning 等[33]针对此限制，使用新的优化算法 DCD（DualCoordinateDescent），同时利用显式的特征映射图来取代 Struck 的非线性核，跟踪效果得到明显改善。将所提出的带多尺度估计的 DLSSVM（Dual Linear StructuredSVM）跟踪器进行扩展，也可以解决跟踪“漂移”问题。

ft 又称均值漂移，是一种基于密度梯度的非参数估计方法法被 Fukunaga 等人[47]首次提出，该算法通过不断的偏移迭收敛。后来 ChengY[48]引入核函数并设定权重系数对算法进了实用价值，被广泛应用到计算机领域。2003 年，Comanft 算法应用到目标跟踪中，对目标跟踪技术的发展产生了hift 算法的原理进行阐述，并介绍 Mean Shift 跟踪算法的hift 算法原理ft 算法就是从任一起始点开始，沿核密度梯度增加的方向移度函数的局部极大值的过程。图 3—图 5 是对算法过程的图定空间范围，并选择感兴趣区域即迭代窗口大小，设定起向量，如图 3 所示。感兴趣


本文编号：3248243