基于TLD的粒子群目标跟踪理论与应用技术研究
发布时间：2021-05-15 06:03
一直以来目标跟踪技术都是计算机视觉、图像处理领域的研究热点,其在智能监控、视觉导航、智能交通、人机交互、国防侦察等领域具有重要应用价值。近三十年来,一直有大量的国内外研究学者在不断地研究改进目标跟踪算法。但是,由于跟踪过程中目标信息的复杂性、目标的随机性、背景干扰和目标遮挡等问题,目标跟踪技术仍然是一个很有挑战性的问题。目前虽然成熟的目标跟踪算法有很多种,但是大部分算法都需要特定的环境和应用的范围。尤其是应对广泛场景的跟踪问题一直没有强鲁棒性的算法被提出来,绝大多数方法都是局限在特定的环境里,还需要大量的研究。颜色特征和HOG特征是目标跟踪领域中应用极为广泛的两种目标特征,本文将加权颜色直方图和HOG特征相融合,并通过PCA降维作为目标特征,提高算法在光照条件变化,目标发生形变等情况下的跟踪鲁棒性;针对目标出现遮挡的情况,将粒子群算法应用到目标跟踪系统中,优化目标相似性函数,提出了基于特征融合的粒子群优化目标跟踪算法;并针对惯性权重调节机制存在的局限性,提出了改进的粒子群优化目标跟踪算法,在保证算法跟踪精确度的前提下,显著提高算法运算效率;本文系统地研究了TLD算法的各个环节,提出了基...
【文章来源】：中国科学院大学(中国科学院长春光学精密机械与物理研究所)吉林省
【文章页数】：155 页
【学位级别】：博士
【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 相关领域的研究现状
1.2.1 目标跟踪的研究现状
1.2.2 粒子群算法的研究现状
1.2.3 TLD算法的研究现状
1.3 本文主要研究内容及章节安排
第2章 目标跟踪系统基础理论
2.1 目标跟踪系统组成
2.2 常用目标跟踪算法
2.2.1 边缘跟踪
2.2.2 峰值跟踪
2.2.3 Mean-shift跟踪
2.2.4 粒子滤波跟踪
2.2.5 匹配跟踪
2.3 基于匹配跟踪算法的结构化组成
2.3.1 目标特征提取与相似性度量
2.3.2 相似性函数优化
2.4 本章小结
第3章 颜色特征与HOG特征融合的目标跟踪算法
3.1 颜色特征与HOG特征融合
3.1.1 目标的颜色特征
3.1.2 目标的HOG特征
3.1.3 颜色特征与HOG特征融合
3.2 目标相似性度量
3.3 实验结果与分析
3.4 本章小结
第4章 基于特征融合的粒子群优化目标跟踪算法
4.1 粒子群算法
4.1.1 粒子群算法的数学模型
4.1.2 粒子群算法的流程与实现
4.1.3 粒子群算法的收敛性与参数选择
4.1.4 粒子群算法与其他智能算法的比较
4.2 基于多特征融合的粒子群优化目标跟踪算法
4.2.1 粒子群算法参数选择
4.2.2 基于多特征融合的粒子群优化目标跟踪算法流程
4.3 实验结果与分析
4.4 本章小结
第5章 改进的粒子群优化目标跟踪算法
5.1 粒子群算法中惯性权重调节机制存在的局限性
5.2 改进的粒子群优化目标跟踪
5.2.1 改进的粒子群优化方法
5.2.2 改进的粒子群优化目标跟踪流程
5.3 改进的粒子群优化目标跟踪算法实验结果与分析
5.3.1 改进跟踪算法定性分析
5.3.2 改进跟踪算法定量分析
5.3.3 改进前后跟踪算法运算效率比较
5.4 本章小结
第6章 基于TLD模型的粒子群优化目标跟踪算法
6.1 Tracking-Learning-Detection跟踪模型
6.1.1 TLD模型的跟踪模块
6.1.2 TLD模型的检测模块
6.1.3 TLD模型的学习模块
6.2 基于TLD模型的粒子群目标跟踪算法的检测模块
6.3 基于TLD模型的粒子群目标跟踪算法的检测模块
6.3.1 TLD 算法分类器的局限性
6.3.2 自适应调节方差阈值的分类器
6.3.3 实验结果与分析
6.4 基于TLD模型的粒子群目标跟踪算法的学习模块
6.4.1 TLD算法在线样本更新问题
6.4.2 引入样本删除机制的学习模块
6.4.3 实验结果与分析
6.5 基于TLD模型的粒子群目标跟踪算法流程
6.6 基于TLD模型的粒子群目标跟踪算法实验结果与分析
6.6.1 改进跟踪算法定性分析
6.6.2 改进跟踪算法定量分析
6.7 本章小结
第7章 总结与展望
7.1 全文工作总结
7.2 论文主要创新点
7.3 研究展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]CSK在智能交通系统中的应用展望[J]. 杨智,贾子彦. 物联网技术. 2019(02)
[2]边缘粒子滤波多目标跟踪改进算法研究[J]. 石治国,吴铭,郝云鹏,施冬磊. 计算机与数字工程. 2019(02)
[3]一种新的HOG特征人脸图像识别算法研究[J]. 伊力哈木·亚尔买买提. 电子器件. 2019(01)
[4]基于颜色特征和尺度自适应的时空上下文算法[J]. 周海英,李松玥. 计算机工程与设计. 2019(02)
[5]基于类别随机化的随机森林算法[J]. 关晓蔷,庞继芳,梁吉业. 计算机科学. 2019(02)
[6]基于S型函数的自适应粒子群优化算法[J]. 黄洋,鲁海燕,许凯波,胡士娟. 计算机科学. 2019(01)
[7]基于TLD与SVM相结合的视频行人跟踪算法[J]. 尚永生,李奇林. 通信技术. 2018(12)
[8]基于图像伺服控制的TLD算法[J]. 刘豪,曹凯,王光庭. 山东理工大学学报(自然科学版). 2019(01)
[9]基于TLD和fDSST的长时间目标跟踪算法[J]. 李轶锟,吴庆宪,丁晟辉,胡鲲. 电光与控制. 2019(04)
[10]采用核相关滤波的快速TLD视觉目标跟踪[J]. 王姣尧,侯志强,余旺盛,廖秀峰,陈传华. 中国图象图形学报. 2018(11)
博士论文
[1]粒子群算法研究及其工程应用案例[D]. 邵晴.吉林大学 2017
[2]机载光电平台稳定跟踪系统关键技术研究[D]. 王宣.中国科学院长春光学精密机械与物理研究所 2017
[3]基于稀疏表示的目标跟踪技术研究[D]. 陈典兵.中国科学院长春光学精密机械与物理研究所 2017
[4]基于核函数的目标跟踪算法研究[D]. 田浩.长安大学 2016
[5]复杂条件下运动目标跟踪方法的研究[D]. 程帅.长春理工大学 2016
[6]基于线性表示模型的在线视觉跟踪算法研究[D]. 王栋.大连理工大学 2013
[7]粒子滤波跟踪方法研究[D]. 姚剑敏.中国科学院研究生院（长春光学精密机械与物理研究所） 2005
硕士论文
[1]基于颜色表示的尺度自适应实时目标跟踪[D]. 张志凡.南京邮电大学 2018
[2]基于Mean Shift的运动目标跟踪方法研究[D]. 石雪楠.东北电力大学 2018
[3]基于TLD框架的目标跟踪算法的研究[D]. 宗家辉.西安电子科技大学 2018
[4]基于ARM处理器的TLD目标跟踪算法实现和优化[D]. 黄福山.西安电子科技大学 2018
[5]复杂环境下的CT目标跟踪算法研究[D]. 李晓行.西安工程大学 2018
[6]融合改进粒子群算法的图像检索研究[D]. 薛丹.中北大学 2018
[7]粒子群优化算法的改进研究[D]. 张洵.渤海大学 2017
[8]基于TLD的长时间目标跟踪算法研究[D]. 孙保基.中国科学院长春光学精密机械与物理研究所 2017
[9]基于TLD框架的在线目标跟踪算法研究[D]. 刘兴云.华侨大学 2016
[10]基于三维彩色直方图均衡化的彩色图像增强算法研究[D]. 宋玉婷.山东财经大学 2013
本文编号：3187094
【文章来源】：中国科学院大学(中国科学院长春光学精密机械与物理研究所)吉林省
【文章页数】：155 页
【学位级别】：博士
【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 相关领域的研究现状
1.2.1 目标跟踪的研究现状
1.2.2 粒子群算法的研究现状
1.2.3 TLD算法的研究现状
1.3 本文主要研究内容及章节安排
第2章 目标跟踪系统基础理论
2.1 目标跟踪系统组成
2.2 常用目标跟踪算法
2.2.1 边缘跟踪
2.2.2 峰值跟踪
2.2.3 Mean-shift跟踪
2.2.4 粒子滤波跟踪
2.2.5 匹配跟踪
2.3 基于匹配跟踪算法的结构化组成
2.3.1 目标特征提取与相似性度量
2.3.2 相似性函数优化
2.4 本章小结
第3章 颜色特征与HOG特征融合的目标跟踪算法
3.1 颜色特征与HOG特征融合
3.1.1 目标的颜色特征
3.1.2 目标的HOG特征
3.1.3 颜色特征与HOG特征融合
3.2 目标相似性度量
3.3 实验结果与分析
3.4 本章小结
第4章 基于特征融合的粒子群优化目标跟踪算法
4.1 粒子群算法
4.1.1 粒子群算法的数学模型
4.1.2 粒子群算法的流程与实现
4.1.3 粒子群算法的收敛性与参数选择
4.1.4 粒子群算法与其他智能算法的比较
4.2 基于多特征融合的粒子群优化目标跟踪算法
4.2.1 粒子群算法参数选择
4.2.2 基于多特征融合的粒子群优化目标跟踪算法流程
4.3 实验结果与分析
4.4 本章小结
第5章 改进的粒子群优化目标跟踪算法
5.1 粒子群算法中惯性权重调节机制存在的局限性
5.2 改进的粒子群优化目标跟踪
5.2.1 改进的粒子群优化方法
5.2.2 改进的粒子群优化目标跟踪流程
5.3 改进的粒子群优化目标跟踪算法实验结果与分析
5.3.1 改进跟踪算法定性分析
5.3.2 改进跟踪算法定量分析
5.3.3 改进前后跟踪算法运算效率比较
5.4 本章小结
第6章 基于TLD模型的粒子群优化目标跟踪算法
6.1 Tracking-Learning-Detection跟踪模型
6.1.1 TLD模型的跟踪模块
6.1.2 TLD模型的检测模块
6.1.3 TLD模型的学习模块
6.2 基于TLD模型的粒子群目标跟踪算法的检测模块
6.3 基于TLD模型的粒子群目标跟踪算法的检测模块
6.3.1 TLD 算法分类器的局限性
6.3.2 自适应调节方差阈值的分类器
6.3.3 实验结果与分析
6.4 基于TLD模型的粒子群目标跟踪算法的学习模块
6.4.1 TLD算法在线样本更新问题
6.4.2 引入样本删除机制的学习模块
6.4.3 实验结果与分析
6.5 基于TLD模型的粒子群目标跟踪算法流程
6.6 基于TLD模型的粒子群目标跟踪算法实验结果与分析
6.6.1 改进跟踪算法定性分析
6.6.2 改进跟踪算法定量分析
6.7 本章小结
第7章 总结与展望
7.1 全文工作总结
7.2 论文主要创新点
7.3 研究展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]CSK在智能交通系统中的应用展望[J]. 杨智,贾子彦. 物联网技术. 2019(02)
[2]边缘粒子滤波多目标跟踪改进算法研究[J]. 石治国,吴铭,郝云鹏,施冬磊. 计算机与数字工程. 2019(02)
[3]一种新的HOG特征人脸图像识别算法研究[J]. 伊力哈木·亚尔买买提. 电子器件. 2019(01)
[4]基于颜色特征和尺度自适应的时空上下文算法[J]. 周海英,李松玥. 计算机工程与设计. 2019(02)
[5]基于类别随机化的随机森林算法[J]. 关晓蔷,庞继芳,梁吉业. 计算机科学. 2019(02)
[6]基于S型函数的自适应粒子群优化算法[J]. 黄洋,鲁海燕,许凯波,胡士娟. 计算机科学. 2019(01)
[7]基于TLD与SVM相结合的视频行人跟踪算法[J]. 尚永生,李奇林. 通信技术. 2018(12)
[8]基于图像伺服控制的TLD算法[J]. 刘豪,曹凯,王光庭. 山东理工大学学报(自然科学版). 2019(01)
[9]基于TLD和fDSST的长时间目标跟踪算法[J]. 李轶锟,吴庆宪,丁晟辉,胡鲲. 电光与控制. 2019(04)
[10]采用核相关滤波的快速TLD视觉目标跟踪[J]. 王姣尧,侯志强,余旺盛,廖秀峰,陈传华. 中国图象图形学报. 2018(11)
博士论文
[1]粒子群算法研究及其工程应用案例[D]. 邵晴.吉林大学 2017
[2]机载光电平台稳定跟踪系统关键技术研究[D]. 王宣.中国科学院长春光学精密机械与物理研究所 2017
[3]基于稀疏表示的目标跟踪技术研究[D]. 陈典兵.中国科学院长春光学精密机械与物理研究所 2017
[4]基于核函数的目标跟踪算法研究[D]. 田浩.长安大学 2016
[5]复杂条件下运动目标跟踪方法的研究[D]. 程帅.长春理工大学 2016
[6]基于线性表示模型的在线视觉跟踪算法研究[D]. 王栋.大连理工大学 2013
[7]粒子滤波跟踪方法研究[D]. 姚剑敏.中国科学院研究生院（长春光学精密机械与物理研究所） 2005
硕士论文
[1]基于颜色表示的尺度自适应实时目标跟踪[D]. 张志凡.南京邮电大学 2018
[2]基于Mean Shift的运动目标跟踪方法研究[D]. 石雪楠.东北电力大学 2018
[3]基于TLD框架的目标跟踪算法的研究[D]. 宗家辉.西安电子科技大学 2018
[4]基于ARM处理器的TLD目标跟踪算法实现和优化[D]. 黄福山.西安电子科技大学 2018
[5]复杂环境下的CT目标跟踪算法研究[D]. 李晓行.西安工程大学 2018
[6]融合改进粒子群算法的图像检索研究[D]. 薛丹.中北大学 2018
[7]粒子群优化算法的改进研究[D]. 张洵.渤海大学 2017
[8]基于TLD的长时间目标跟踪算法研究[D]. 孙保基.中国科学院长春光学精密机械与物理研究所 2017
[9]基于TLD框架的在线目标跟踪算法研究[D]. 刘兴云.华侨大学 2016
[10]基于三维彩色直方图均衡化的彩色图像增强算法研究[D]. 宋玉婷.山东财经大学 2013
本文编号：3187094
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3187094.html
