基于动平台的目标跟踪技术研究

发布时间：2021-02-18 11:21

　　为了达到较高的跟踪精度以及较快的跟踪速度,传统的目标跟踪算法均基于相邻帧目标位移和视觉特性均匀变化的假设而设计。然而,在无人机和无人艇等存在较大运动速度的视觉平台上,基于上述假设的目标跟踪器将有较大概率出现跟踪失效。针对目标位移变化较大的问题,本文提出了基于由粗到精框架的级联跟踪算法以及基于关键点匹配的自适应全图跟踪算法。针对动平台导致的目标视觉特性变化大的问题,本文进一步结合深度学习框架提出了基于长程-短程信息融合的跟踪算法。本文的主要研究内容如下:针对传统目标跟踪算法在大搜索区域中因背景干扰而导致跟踪性能下降的问题,本文提出了一种基于由粗到精框架的级联跟踪算法。该算法首先采用基于相关滤波器的跟踪器在6倍于目标大小的区域内进行目标潜在区域的粗搜索。其次,进一步引入基于结构化支撑向量机的跟踪器进行小范围内的局部精搜索。最后,对以上两个跟踪模型的参数进行在线学习和更新。该基于由粗到精框架的目标跟踪器可将目标搜索区域由常用的2.5倍于目标大小扩大至6倍,有效地提升了动平台下目标跟踪的适应性。为进一步提升跟踪器在动平台大幅度运动下的适应性,本文提出了基于关键点匹配的自适应全图跟踪算法。该方法... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：90 页

【学位级别】：硕士

【部分图文】：

基于关键点匹配的跟踪示意图

图 2- 5 基于相关滤波器与结构化 SVM 的目标跟踪算法流程图如图 2- 5 所示，本章算法利用扩大搜索区域的相关滤波器粗略定位目标中心位置因搜索区域扩大导致背景信息占基本样本比例增加，所以扩大搜索区域的相关滤波器的定位不够准确。在粗略确定目标所在区域后，本算法利用结构化 SVM 跟踪器在小范围内通过滑窗采样确定最终目标的位置。得到新的目标位置后，生成新的训练样本，然后在线学习并更新相关滤波器和结构化 SVM 跟踪器的模型参数。2.3.1 搜索区域扩大的相关滤波器跟踪（1）图像预处理。在动平台目标跟踪的过程中，光照强度、目标背景对比度等因素的变化会导致图像质量降低。为了维持目标特征的稳定，提升跟踪器的鲁棒性，本文算法需要对原始输入图像进行图像预处理。如果原始图像中目标的尺寸过大（在本文中，目标最大边长大于 120 像素则认为

中 科 技 大 学 硕 士 学 位 论 的目标位置变化关系。因此该方法的输出空间是位置变化者 1。将判别函数 f 应用于下一帧中目标位置的预测，即1 1y ( ) arg max ( , )t tP Pt t tf x F x y 在线学习得到的最优判别函数，将在下面的在线学习过程t 帧中预测的目标位置变化关系。学习更新模型参数

【参考文献】：
期刊论文
[1]美军无人机系统发展应用及启示[J]. 张昕,苑德春,张超.  军事交通学院学报. 2019(01)
[2]基于单目视觉的四旋翼飞行器目标跟踪算法研究[J]. 张立国,李晓松,肖磊,金梅,董浩.  计量学报. 2018(03)
[3]一种用于无人机的目标颜色核相关跟踪算法研究[J]. 曲蕴杰,莫宏伟,王常虹.  红外与激光工程. 2018(03)



本文编号：3039487