基于孪生网络和相关滤波器的目标跟踪算法研究

发布时间：2024-01-29 17:38

　　作为计算机视觉领域的一个重要研究方向,目标跟踪的主要任务是在给定待跟踪目标初始位置的情况下,在视频的后续帧准确可靠地预测目标的位置和大小。目标自身的形变或外部环境的变化容易导致目标的跟丢或跟错。为了应对各种挑战场景下的跟踪问题,本文对基于孪生网络和相关滤波器的目标跟踪算法进行了研究与改进。本文的主要工作如下:本文提出了一种基于相关滤波器的高置信度更新目标跟踪算法,以实现对目标的跟踪。首先,提出了将加权的历史帧目标图像代替上一帧目标图像,引入到GOTURN网络模型中;然后提出了一种目标置信度指标,其可以运用于任何一种相关滤波类跟踪算法进行模型的高置信度更新;最后,将enhanced GOTURN和核相关滤波算法融合成一种新的算法。融合方法是首先进行两种算法的跟踪,然后用核相关滤波在enhanced GOTURN跟踪结果框中进行目标再检测,最后计算两次核相关滤波算法预测结果的置信度,选择置信度更高的预测结果作为跟踪结果。融合算法不仅能充分利用离线学习的网络模型的鲁棒性,而且能够有效减少分类器与外观模型的漂移,因此可以有效应对遮挡,形变,旋转等挑战性因素。本文在OTB100数据集上进行实验测...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景、目的及意义
    1.2 目标跟踪算法研究现状
    1.3 目标跟踪算法的难点
    1.4 本文的研究内容及结构安排
    1.5 本章小结
2 相关滤波跟踪和孪生网络跟踪算法理论基础
    2.1 引言
    2.2 基于相关滤波的目标跟踪算法
    2.3 基于孪生神经网络的目标跟踪算法
    2.4 算法局限性分析
    2.5 本章小结
3 基于相关滤波器的高置信度更新目标跟踪算法
    3.1 引言
    3.2 Enhanced GOTURN跟踪算法
    3.3 基于相关滤波器的高置信度更新目标跟踪算法
    3.4 实验结果及分析
    3.5 本章小结
4 基于感知干扰学习的trip-CFNet目标跟踪算法
    4.1 引言
    4.2 CFNet跟踪算法基本原理
    4.3 基于感知干扰学习的trip-CFNet跟踪算法
    4.4 实验结果及分析
    4.5 本章小结
5 总结与展望
    5.1 论文创新点和贡献
    5.2 展望
致谢
参考文献
附录1 攻读硕士学位期间的研究成果
附录2 攻读硕士学位期间参加的科研项目和奖励



本文编号：3888543