基于群优化算法的目标跟踪方法研究
发布时间：2021-08-28 06:25
视频目标跟踪研究是机器视觉领域中的热点问题,在计算机硬件、视频监控网络和机器学习理论发展的推动下,已经被广泛地被应用到民用和军用各个领域。尽管研究者针对具体的实际问题提出了很多有效的视频目标跟踪算法,但仍然面临着很多具有挑战性的困难,如严重部分遮挡、强烈光线变化、运动突变及其引发的运动模糊等,因此设计一种鲁棒的、通用性强的视频目标跟踪方法是亟待解决的重要性研究问题。本论文在基于群优化算法的跟踪方法框架下,对目标跟踪展开了深入研究,并对跟踪过程中出现的部分挑战性问题,提出了一些有效的跟踪新方法:1.提出基于蚁狮优化（Ant Lion Optimization,ALO）算法的目标跟踪方法。将一个新颖的群优化方法——蚁狮优化算法,作为搜索策略引入视觉跟踪框架,并对该方法中参数的自适应和灵敏度进行了实验研究。实验表明,提出方法有较好的跟踪结果,尤其在目标发生突变运动的情况下。2.提出一种融合扩展的布谷鸟搜索（Extended Cuckoo Search,ECS）算法与核相关滤波（Kernel Correlation Filtering,KCF）的跟踪框架。针对KCF在跟踪过程中,不能很好的适应...
【文章来源】：郑州轻工业大学河南省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
轻微运动组定性图
(c) HUMAN7图 3-4 轻微运动组定性图b. 一般运动组在轻微运动组之后，加大运动位移。在 JUMPING 序列中，最大位移为 36个像素，且由于人物的上下剧烈运动，几乎每一帧图像都是模糊、叠影的状态，且由于视频是人物跳绳运动，所以视频几乎全程保持着 15 个像素左右的运动。在这种情况下，有着 36 个像素运动位移的#96，ALO 和 CACF、LSST 仍然可以完全跟上目标，其他的跟踪器全部失败了，当运动到#276 时，CACF 丢失了目标，而 ALO 虽然出现了稍微的偏差，但仍然坚持锁定目标到了最后，执行度最好的是 LSST 跟踪器。部分跟踪效果如图 3-5（a）所示。
已经不适应了，尽管在后期由于目标的运动趋势，它们偶然的捕捉到了目标，但对于视频跟踪的整体来说，仍是失败的。在#52 时，目标出现了相似目标，ALO 也经受住了考验，准确的定位了目标，总体结果来说，ALO 与 CSK 并排第一。部分跟踪效果如图 3-5（b）所示。FACE1 序列，其最大运动位移与DEER 序列基本一致，但视频序列涉及到了扭曲和目标尺寸变化，ALO 算法仍然能够找到目标。部分跟踪效果如图 3-5（c）所示。在一般运动组中，ALO 算法开始渐渐的显示出它的优势，由轻微运动组到一般运动组，随着目标运动位移的增大，ALO 的执行度排名开始逐步往上升。c. 大运动组大运动组中，视频的最大位移均大于 50，这将是对各跟踪器的进一步考验。ZXJ 序列中，在#010 和#037 等图像帧时，由于运动比较平缓，挑战性较小，所有的跟踪器都有着比较好的效果，能够准确的找到目标，但在#69 时，目标发生 70 个像素的大位移运动，只有 ALO 和 CACF 取得了好的效果。在ZXJ 视频序列中，ALO 取得了第一名的好成绩。部分跟踪效果如图 3-6（a）。
【参考文献】：
期刊论文
[1]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋. 模式识别与人工智能. 2018(01)
[2]深度学习在视频目标跟踪中的应用进展与展望[J]. 管皓,薛向阳,安志勇. 自动化学报. 2016(06)
[3]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛. 计算机学报. 2015(06)
[4]目标跟踪技术综述[J]. 高文,朱明,贺柏根,吴笑天. 中国光学. 2014(03)
博士论文
[1]智能交通监控中运动目标检测与跟踪算法研究[D]. 崔雨勇.华中科技大学 2012
本文编号：3367988
【文章来源】：郑州轻工业大学河南省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
轻微运动组定性图
(c) HUMAN7图 3-4 轻微运动组定性图b. 一般运动组在轻微运动组之后，加大运动位移。在 JUMPING 序列中，最大位移为 36个像素，且由于人物的上下剧烈运动，几乎每一帧图像都是模糊、叠影的状态，且由于视频是人物跳绳运动，所以视频几乎全程保持着 15 个像素左右的运动。在这种情况下，有着 36 个像素运动位移的#96，ALO 和 CACF、LSST 仍然可以完全跟上目标，其他的跟踪器全部失败了，当运动到#276 时，CACF 丢失了目标，而 ALO 虽然出现了稍微的偏差，但仍然坚持锁定目标到了最后，执行度最好的是 LSST 跟踪器。部分跟踪效果如图 3-5（a）所示。
已经不适应了，尽管在后期由于目标的运动趋势，它们偶然的捕捉到了目标，但对于视频跟踪的整体来说，仍是失败的。在#52 时，目标出现了相似目标，ALO 也经受住了考验，准确的定位了目标，总体结果来说，ALO 与 CSK 并排第一。部分跟踪效果如图 3-5（b）所示。FACE1 序列，其最大运动位移与DEER 序列基本一致，但视频序列涉及到了扭曲和目标尺寸变化，ALO 算法仍然能够找到目标。部分跟踪效果如图 3-5（c）所示。在一般运动组中，ALO 算法开始渐渐的显示出它的优势，由轻微运动组到一般运动组，随着目标运动位移的增大，ALO 的执行度排名开始逐步往上升。c. 大运动组大运动组中，视频的最大位移均大于 50，这将是对各跟踪器的进一步考验。ZXJ 序列中，在#010 和#037 等图像帧时，由于运动比较平缓，挑战性较小，所有的跟踪器都有着比较好的效果，能够准确的找到目标，但在#69 时，目标发生 70 个像素的大位移运动，只有 ALO 和 CACF 取得了好的效果。在ZXJ 视频序列中，ALO 取得了第一名的好成绩。部分跟踪效果如图 3-6（a）。
【参考文献】：
期刊论文
[1]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋. 模式识别与人工智能. 2018(01)
[2]深度学习在视频目标跟踪中的应用进展与展望[J]. 管皓,薛向阳,安志勇. 自动化学报. 2016(06)
[3]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛. 计算机学报. 2015(06)
[4]目标跟踪技术综述[J]. 高文,朱明,贺柏根,吴笑天. 中国光学. 2014(03)
博士论文
[1]智能交通监控中运动目标检测与跟踪算法研究[D]. 崔雨勇.华中科技大学 2012
本文编号：3367988
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3367988.html
