基于核相关的目标跟踪算法研究
发布时间：2021-07-08 06:10
近年来动态场景中的目标跟踪在计算机视觉中意义重大,此外,在机器人智能技术和监控智能技术等诸多应用中具有重要意义。由于目标在运动过程中存在位置,姿态,尺度的变化以及遮挡和背景的变化,准确地跟踪目标仍然存在着很大的挑战,所以如何提升动态场景中目标跟踪的精度就很有理论和现实意义。经典的核相关滤波器（KCF）算法在目标跟踪方面已经成功应用,但KCF目标跟踪算法存在以下问题:一是目标框的尺寸在跟踪过程中保持不变,导致目标在尺度发生改变时会丢失部分目标信息,同时也会引入背景信息;二是KCF跟踪中缺少自适应阈值调节机制,导致无法判定目标的丢失情况;三是KCF使用的人工特征在复杂场景中对目标的描述能力缺失区分性。因此针对经典KCF目标跟踪算法中存在的问题我们在本文中提出了一系列的解决方案。本文提出的改进的核相关滤波跟踪方法主要包括以下工作:（1）采用了一个在线更新的最近邻分类器对跟踪目标进行确认,从而判识目标是否被跟丢,以提高跟踪的稳定性,同时降低跟踪器和检测器组合的跟踪复杂度;（2）为了解决传统的KCF算法无法获得不断变化的运动目标尺寸的问题,通过计算前后帧以频谱响应峰值为中心的候选区域带宽之比来获...
【文章来源】：西安理工大学陕西省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
核相关滤波跟踪算法框架
核相关滤波目标跟踪算法研究9其中:y和xzk分别表示y和k的傅里叶变换，表示滤波器模板的傅里叶变换。目标检测过程可由图2-2表示，蓝色矩形框表示检测窗口，图2-2（b）表示响应图，通过响应图的峰值准确的定位出目标的位置。（a）（b）图2-2目标检测示意图（a）检测图，（b）响应窗口Fig.2-2Schematicdiagramoftargetdetection(a)Detectiondiagram,(b)Responsewindow2.2.4模型更新模型更新是尤为重要，选择正确的更新策略在目标跟踪性能中也起着重要作用。该算法对模型的更新分为两个：（1）目标特征模型参数更新、（2）核相关滤波更新：11(1)(1)ttttttxxxx（2-16）其中，是更新率，t1x表示第t1帧的目标特征向量，t1表示第t1帧滤波器系数。2.3核相关滤波器跟踪算法结果与分析2.3.1使用人工特征核相关滤波算法使用HOG特征来表示目标，HOG特征属于人工特征，人工特征的最大缺点就是描述力不够，因此无法完全准确的表示目标信息。在实际跟踪的阶段，目标不断变化，无论是姿态尺寸还是变形运动，目标都在进行着复杂的变化，所以，仅仅用人工特征进行特征提取是不够充分的。2.3.2使用单一尺度在跟踪过程中目标跟踪框的大小始终保持不变，这与最初选择的目标边界框大小相同。在实际场景中，跟踪框的大小应随目标的比例尺寸的变化而变化。如果在目标运动过程中目标框的大小保持不变，则当目标变大或相机放大时，部分目标信息将丢失，并且当目标移至目标框时，更多背景信息将混合到目标框中变小或相机缩校所有这些情况将导致目标跟踪性能下降。2.3.3更新策略不可靠在目标跟踪的过程中，KCF算法通过跟踪结果训练滤波器以及目标模型，如果目标出现跟踪丢失或跟踪错误的情况，将会造成永久丢失。
改进的核相关滤波目标跟踪算法113改进的核相关滤波目标跟踪算法目标跟踪技术已经在计算机视觉中得到了广泛的研究，这在机器人技术，智能监控和其他应用中具有重要意义。针对目前目标跟踪过程中出现的难题（例如姿态，尺度，照度和运动，遮挡和复杂背景的变化）而存在的巨大挑战，本文主要针对目标跟踪中的一些关键技术进行研究，以期望得到更加准确且快速的目标定位，从而提高目标跟踪的性能。3.1改进的核相关滤波目标跟踪算法框架本文算法的具体流程如图3-1所示。该算法的框架主要是由基于KCF的尺度自适应目标跟踪和通过在线更新的最近邻分类器重新确认跟踪结果组成。目标跟踪阶段，所选目标通过使用KCF跟踪算法被跟踪，以获得光谱响应图及其峰值位置。从而，根据峰值位置获得目标的中心点，并根据前后两帧响应图以峰值为中心的候选区域的光谱带宽之比，获得当前候选目标的大小，输出缩放后的候选目标以进一步确认。在线更新的最近邻居分类器在目标重新确认过程中起着至关重要的作用。首先，使用所选目标及其周围的非目标区域初始化最近的邻居分类器。通过计算跟踪候选目标与最近邻分类器的相似度确定目标。在每次跟踪结束时，进行样本更新。如果确定了候选目标，则更新正样本库。否则，将更新负样本库。下面主要介绍算法细节。图3-1改进的核相关滤波目标跟踪框架Fig.3-1Improvedkernelcorrelationfilteringtargettrackingframework3.2基于带宽变化的目标尺寸自适应尽管KCF相关的跟踪算法[30-31]可以很好地跟踪目标的位置，但是在跟踪过程中目标跟踪框的大小始终保持不变，这与最初选择的目标边界框大小相同。在实际场景中，跟踪框的大小应随目标的比例尺寸的变化而变化。如果在目标运动过程中目标框的大小保持不变，则当目标变大或相机放大?
【参考文献】：
期刊论文
[1]基于核相关性滤波的长时间目标跟踪方法[J]. 陈均瑞,盛守照,李郴荣. 舰船电子工程. 2019(08)
[2]核相关滤波跟踪方法研究[J]. 孟祥瑞. 现代信息科技. 2019(10)
[3]基于深度学习的改进核相关滤波目标跟踪算法[J]. 梁华刚,高冬梅,庞丽琴. 计算机与数字工程. 2019(05)
[4]HLBP与颜色特征自适应融合的粒子滤波目标跟踪改进算法[J]. 卞乐,李天峰,韦怡,曾毓敏. 南京师范大学学报(工程技术版). 2018(01)
[5]基于相关滤波器的视觉目标跟踪综述[J]. 魏全禄,老松杨,白亮. 计算机科学. 2016(11)
[6]采用核相关滤波器的长期目标跟踪[J]. 杨德东,蔡玉柱,毛宁,杨福才. 光学精密工程. 2016(08)
[7]自适应分块颜色直方图的MeanShift跟踪算法[J]. 杜凯,巨永锋,靳引利,李刚. 武汉理工大学学报. 2012(06)
博士论文
[1]基于多特征融合的机器人目标跟踪算法研究[D]. 王丽佳.北京工业大学 2017
硕士论文
[1]基于核相关滤波的目标跟踪算法研究[D]. 李永珺.青岛理工大学 2018
[2]基于核相关滤波的目标跟踪算法研究[D]. 王鹤鹏.西安电子科技大学 2018
[3]基于深度学习的多目标跟踪算法研究[D]. 周辉.电子科技大学 2018
[4]基于深度特征的相关滤波跟踪研究[D]. 邓雨.中南民族大学 2018
[5]基于深度特征学习的目标检测与跟踪算法研究[D]. 贾祎恺.西安科技大学 2017
[6]基于深度信息的核相关滤波目标跟踪算法研究[D]. 刘新卉.哈尔滨工业大学 2017
[7]基于深度学习的目标跟踪算法研究[D]. 方红霞.燕山大学 2017
[8]基于深度学习和迁移学习的鲁棒多线索目标跟踪[D]. 潘胜男.华侨大学 2016
本文编号：3271019
【文章来源】：西安理工大学陕西省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
核相关滤波跟踪算法框架
核相关滤波目标跟踪算法研究9其中:y和xzk分别表示y和k的傅里叶变换，表示滤波器模板的傅里叶变换。目标检测过程可由图2-2表示，蓝色矩形框表示检测窗口，图2-2（b）表示响应图，通过响应图的峰值准确的定位出目标的位置。（a）（b）图2-2目标检测示意图（a）检测图，（b）响应窗口Fig.2-2Schematicdiagramoftargetdetection(a)Detectiondiagram,(b)Responsewindow2.2.4模型更新模型更新是尤为重要，选择正确的更新策略在目标跟踪性能中也起着重要作用。该算法对模型的更新分为两个：（1）目标特征模型参数更新、（2）核相关滤波更新：11(1)(1)ttttttxxxx（2-16）其中，是更新率，t1x表示第t1帧的目标特征向量，t1表示第t1帧滤波器系数。2.3核相关滤波器跟踪算法结果与分析2.3.1使用人工特征核相关滤波算法使用HOG特征来表示目标，HOG特征属于人工特征，人工特征的最大缺点就是描述力不够，因此无法完全准确的表示目标信息。在实际跟踪的阶段，目标不断变化，无论是姿态尺寸还是变形运动，目标都在进行着复杂的变化，所以，仅仅用人工特征进行特征提取是不够充分的。2.3.2使用单一尺度在跟踪过程中目标跟踪框的大小始终保持不变，这与最初选择的目标边界框大小相同。在实际场景中，跟踪框的大小应随目标的比例尺寸的变化而变化。如果在目标运动过程中目标框的大小保持不变，则当目标变大或相机放大时，部分目标信息将丢失，并且当目标移至目标框时，更多背景信息将混合到目标框中变小或相机缩校所有这些情况将导致目标跟踪性能下降。2.3.3更新策略不可靠在目标跟踪的过程中，KCF算法通过跟踪结果训练滤波器以及目标模型，如果目标出现跟踪丢失或跟踪错误的情况，将会造成永久丢失。
改进的核相关滤波目标跟踪算法113改进的核相关滤波目标跟踪算法目标跟踪技术已经在计算机视觉中得到了广泛的研究，这在机器人技术，智能监控和其他应用中具有重要意义。针对目前目标跟踪过程中出现的难题（例如姿态，尺度，照度和运动，遮挡和复杂背景的变化）而存在的巨大挑战，本文主要针对目标跟踪中的一些关键技术进行研究，以期望得到更加准确且快速的目标定位，从而提高目标跟踪的性能。3.1改进的核相关滤波目标跟踪算法框架本文算法的具体流程如图3-1所示。该算法的框架主要是由基于KCF的尺度自适应目标跟踪和通过在线更新的最近邻分类器重新确认跟踪结果组成。目标跟踪阶段，所选目标通过使用KCF跟踪算法被跟踪，以获得光谱响应图及其峰值位置。从而，根据峰值位置获得目标的中心点，并根据前后两帧响应图以峰值为中心的候选区域的光谱带宽之比，获得当前候选目标的大小，输出缩放后的候选目标以进一步确认。在线更新的最近邻居分类器在目标重新确认过程中起着至关重要的作用。首先，使用所选目标及其周围的非目标区域初始化最近的邻居分类器。通过计算跟踪候选目标与最近邻分类器的相似度确定目标。在每次跟踪结束时，进行样本更新。如果确定了候选目标，则更新正样本库。否则，将更新负样本库。下面主要介绍算法细节。图3-1改进的核相关滤波目标跟踪框架Fig.3-1Improvedkernelcorrelationfilteringtargettrackingframework3.2基于带宽变化的目标尺寸自适应尽管KCF相关的跟踪算法[30-31]可以很好地跟踪目标的位置，但是在跟踪过程中目标跟踪框的大小始终保持不变，这与最初选择的目标边界框大小相同。在实际场景中，跟踪框的大小应随目标的比例尺寸的变化而变化。如果在目标运动过程中目标框的大小保持不变，则当目标变大或相机放大?
【参考文献】：
期刊论文
[1]基于核相关性滤波的长时间目标跟踪方法[J]. 陈均瑞,盛守照,李郴荣. 舰船电子工程. 2019(08)
[2]核相关滤波跟踪方法研究[J]. 孟祥瑞. 现代信息科技. 2019(10)
[3]基于深度学习的改进核相关滤波目标跟踪算法[J]. 梁华刚,高冬梅,庞丽琴. 计算机与数字工程. 2019(05)
[4]HLBP与颜色特征自适应融合的粒子滤波目标跟踪改进算法[J]. 卞乐,李天峰,韦怡,曾毓敏. 南京师范大学学报(工程技术版). 2018(01)
[5]基于相关滤波器的视觉目标跟踪综述[J]. 魏全禄,老松杨,白亮. 计算机科学. 2016(11)
[6]采用核相关滤波器的长期目标跟踪[J]. 杨德东,蔡玉柱,毛宁,杨福才. 光学精密工程. 2016(08)
[7]自适应分块颜色直方图的MeanShift跟踪算法[J]. 杜凯,巨永锋,靳引利,李刚. 武汉理工大学学报. 2012(06)
博士论文
[1]基于多特征融合的机器人目标跟踪算法研究[D]. 王丽佳.北京工业大学 2017
硕士论文
[1]基于核相关滤波的目标跟踪算法研究[D]. 李永珺.青岛理工大学 2018
[2]基于核相关滤波的目标跟踪算法研究[D]. 王鹤鹏.西安电子科技大学 2018
[3]基于深度学习的多目标跟踪算法研究[D]. 周辉.电子科技大学 2018
[4]基于深度特征的相关滤波跟踪研究[D]. 邓雨.中南民族大学 2018
[5]基于深度特征学习的目标检测与跟踪算法研究[D]. 贾祎恺.西安科技大学 2017
[6]基于深度信息的核相关滤波目标跟踪算法研究[D]. 刘新卉.哈尔滨工业大学 2017
[7]基于深度学习的目标跟踪算法研究[D]. 方红霞.燕山大学 2017
[8]基于深度学习和迁移学习的鲁棒多线索目标跟踪[D]. 潘胜男.华侨大学 2016
本文编号：3271019
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3271019.html
