基于改进的时空上下文目标跟踪算法研究

发布时间：2023-10-26 19:36

　　随着科技的发展,人们对于安防的意识逐渐增强,智能跟踪监控系统也在生活中有了更大的应用。目标跟踪技术一直是机器视觉领域研究的热点,其中时空上下文算法由于具有跟踪速度较快、鲁棒性较强、一定程度的抗遮挡能力,近年来受到广泛关注。但是该算法在摄像机抖动或出现严重遮挡时会出现跟踪失败等问题。本文在前人研究的基础上,基于时空上下文算法,提出了两种改进的算法:为了消除摄像机抖动带来的跟踪失效问题,本文提出基于复合特征提取的时空上下文改进算法。本方法针对时空上下文算法不能首帧自动检测的特点,结合Adaboost算法进行首帧自动检测,引入两种针对性更强的Haar-like特征,改进后的Adaboost算法可以大幅度的增强检测速率。利用Harris-Surf复合特征提取方法,捕捉到更多利于跟踪的特征点,在上下文区域建立权值矩阵,将与目标运动轨迹大致相同的区域赋予更高的权值。为了提高跟踪的准确性,算法中引入卡尔曼滤波概念,估计出下一帧目标可能出现的位置,来辅助跟踪。在出现摄像机抖动情况下,大大地改善了外观模型描述目标的能力,加大跟踪结果的准确程度。做了多组的对比实验,对比分析改进后算法与原算法的区别。在存在...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 主要工作及组织结构
第2章 目标检测跟踪相关理论
    2.1 常用的特征提取方法
        2.1.1 SIFT特征提取
        2.1.2 SURF特征提取
        2.1.3 Harris特征提取
    2.2 常用的目标检测算法
        2.2.1 光流法
        2.2.2 帧间差分法
        2.2.3 模板匹配算法
        2.2.4 Adaboost算法
    2.3 常见的目标跟踪算法
        2.3.1 粒子滤波算法
        2.3.2 稀疏表示算法
        2.3.3 TLD跟踪算法
        2.3.4 STC跟踪算法
    2.4 STC算法局限性分析
第3章 基于复合特征提取的时空上下文改进算法
    3.1 扩展Haar特征的Adaboost算法
        3.1.1 Haar特征扩展
        3.1.2 限制样本权重
    3.2 Harris-SURF特征提取
        3.2.1 特征点处理
        3.2.2 选取特征点的主方向
    3.3 时空上下文区域的权值分配
        3.3.1 上下文权值矩阵
        3.3.2 加权空间上下文模型
    3.4 融合卡尔曼滤波辅助跟踪
    3.5 改进跟踪算法流程
    3.6 实验结果与分析
        3.6.1 实验设置
        3.6.2 实验结果定性分析
        3.6.3 实验结果定量分析
第4章 基于稀疏表示改进的时空上下文跟踪算法
    4.1 前景字典和上下文字典的构造
        4.1.1 字典学习的原理
        4.1.2 构造前景字典
        4.1.3 构造上下文字典
        4.1.4 基于稀疏表示的特征选择
    4.2 基于稀疏表示的时空上下文算法
    4.3 改进的跟踪算法流程
    4.4 实验结果与分析
        4.4.1 实验设置
        4.4.2 实验结果定性分析
        4.4.3 实验结果定量分析
第5章 总结与展望
    5.1 工作总结
    5.2 研究展望
参考文献
攻读硕士学位期间取得的成果
致谢



本文编号：3856853