复杂背景中应用模板更新策略的移动物体跟踪算法研究

发布时间：2021-12-23 03:36

　　近年来人工智能发展迅猛,而计算机视觉作为人工智能的一个重要领域,受到了研究人员的密切关注。目标跟踪作为计算机视觉领域的重要组成部分,在许多领域也都有着广泛的应用。然而,在实际的工业生产等复杂环境下的目标跟踪算法面临物体运动速度快、产品相似度高等具有挑战性的外部环境的干扰。因此在复杂背景中对移动物体进行有效跟踪是目前的一个研究难题。面对当前存在的问题,本文应用模板更新策略对移动物体跟踪算法进行研究,该策略的使用可以有效解决复杂背景下目标跟踪失败问题,有效提高算法的整体成功率和准确度。该策略的实施主要可分为以下3个过程:首先,对当前目标所处环境进行判断后本文使用所提模板更新策略。使用综合的响应值段、灰度直方图和APCEm值方法进行环境判断。若当前环境比较复杂便使用所提模板更新策略。使用快速的LK光流法预测目标下一帧可能出现的位置。之后在预测位置和目标当前位置处并行地进行目标检测,选择响应度更高的作为最终更新结果。反之,若当前环境正常,则使用原始模板进行跟踪。随后,将所提策略应用于粒子滤波类Diagnose算法和相关滤波类KCF算法和BACF算法中。在OTB2015数据集上进行实验验证,实验... 

【文章来源】：内蒙古大学内蒙古自治区 211工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

计算机视觉及其相关领域Figure2.1Computervisionandrelatedfields

内蒙古大学硕士学位论文13的尺寸、方向和视角等变化具有较强的鲁棒性，这使得它可以很好的衡量图像的全局颜色相似度及其颜色分布差异。其中灰度直方图使用最广泛，它少量保留了一副图像中的重要灰度信息（如颜色和数量），减少了微量灰度信息的干扰，进而有效提高计算效率。故本文选用灰度颜色直方图辅助目标判别。使用灰度直方图对目标情况进行判断时，如果当前图像是彩色图则需先将其转化为灰度图。本文对第一帧图像提取灰度直方图并保存，之后继续提取当前第i帧灰度直方图并与第一帧灰度直方图进行对比，本文提出一种对目标颜色变化情况的衡量方法，公式表示如下：=((()(1)))(3.2)其中()为第i帧的灰度直方图，(1)为第一帧的灰度直方图。为当前帧与初始帧颜色直方图的平均变化值。因此当值较大时，表明当前目标与初始要跟踪的目标有较大的偏差，当值较小时，表明当前跟踪较为稳定。3.1.3APCEm值目标跟踪中常用的最大响应值并不能准确反应响应图的震荡程度，最大响应值一定是峰值，而峰值不一定是最大响应值。因此真实位置对应峰值并非最大响应值时，当前的最大响应值对应峰值也并非是目标真实所处位置。如下图3.1展示了Tiger2序列在KCF、KCFM算法和Ground-Truth在第107帧和108帧的跟踪情况。图3.1目标所处不同位置对应目标响应度图Figure3.1Responsivenessmapofobjectindifferentpositions其中，红色框为使用了本文所提策略的KCFM算法跟踪结果，绿色框为原KCF算法跟踪结果，红色框为Ground-Truth值。图中的最左列为各算法的跟踪效果图，中间列为KCF算#107#107#108#108KCF算法响应度图KCF算法响应度图KCFM算法响应度图KCFM算法响应度图

内蒙古大学硕士学位论文276形变Deformation（DEF）非刚性目标形变。7平面内旋转In-PlaneRotation（IPR）目标在图像平面中旋转。8平面外旋转Out-of-PlaneRotation（OPR）目标不在图像平面中旋转。9出视野Out-of-View（OV）部分目标离开视野。10背景杂波BackgroundClutter(BC)目标附近的背景和目标有相似的颜色或者纹理。11低分辨率LowRotation(LR)真实边界框内的像素数小于（=400）。下图5.1展示了在视频序列中面临部分子属性的情况。从上到下行对应的视频序列分别为Singer1、CarScale、FaceOcc1和Boy序列。面临的主要子属性分别为光照变化、尺度变化、遮挡以及旋转。图5.1OTB中部分子属性表现情况Figure5.1Performanceofsomesub-attributesinOTB5.1.2跟踪算法评价指标在OTB中通常使用一次性通过评估（OPE）作为算法的鲁棒性评价接口，此外，还可以使用时间鲁棒性评估（TRE）和空间鲁棒性评估（SRE）对算法的鲁棒性进行评价。一次性通Singer1CarScaleFaceOcc1Boy


本文编号：3547699