基于相關(guān)濾波的單目標(biāo)跟蹤算法研究.pdf

1、學(xué)校代碼：10406分類號：TP391.4學(xué)號：151608350004南昌航空大學(xué)南昌航空大學(xué)碩士學(xué)位論文(學(xué)術(shù)學(xué)位研究生)基于相關(guān)濾波的單基于相關(guān)濾波的單目標(biāo)跟蹤算法目標(biāo)跟蹤算法研究研究碩士研究生：鐘國崇導(dǎo)師：儲珺申請學(xué)位級別：碩士學(xué)科、專業(yè)：軟件工程所在單位：軟件學(xué)院答辯日期：2018年6月授予學(xué)位單位：南昌航空大學(xué)I摘要基金資助：國家自然科學(xué)基金（No:6166303161661036），江西省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（20161BBE

2、50085）。單目標(biāo)跟蹤一直都是計(jì)算機(jī)視覺領(lǐng)域中亟需解決的問題之一，其目的是在人為給定任意時(shí)刻的目標(biāo)位置下去跟蹤目標(biāo)的后續(xù)運(yùn)動(dòng)軌跡。跟蹤技術(shù)常常應(yīng)用在虛擬現(xiàn)實(shí)和天網(wǎng)等民用領(lǐng)域中。盡管單目標(biāo)跟蹤算法在最近一段時(shí)間得到了快速的發(fā)展。但在實(shí)際應(yīng)用中，由于目標(biāo)處在復(fù)雜多變的環(huán)境里，比如受光照、形變、尺度、遮擋等影響，跟蹤算法很難準(zhǔn)確的定位到目標(biāo)。其中最主要的原因是模型的錯(cuò)誤訓(xùn)練和更新削弱了跟蹤器對目標(biāo)的識別能力，從而出現(xiàn)漂移現(xiàn)象，最終導(dǎo)致跟蹤失

3、敗。針對以上問題，本文主要從特征的選取和融合、遮擋狀態(tài)下的判別以及分類器的選擇與應(yīng)用等方面對單目標(biāo)跟蹤算法進(jìn)行研究。主要工作如下：（1）經(jīng)典視覺單目標(biāo)跟蹤方法通常以單特征來描述被跟蹤的目標(biāo)。而在實(shí)際場景下，目標(biāo)的表觀特征因受到光照、形變、尺度等因素的影響而發(fā)生變化。為了更好的描述目標(biāo)，本文首先引入方向梯度直方圖(HistogramofientedGradientHOG)特征和顏色名(colnamesCN)特征，利用傳統(tǒng)的特征提取方法去訓(xùn)

4、練各自的相關(guān)濾波器模型，將其與各自特征相關(guān)濾波得到各自的響應(yīng)圖；然后利用固定權(quán)重法、響應(yīng)強(qiáng)度峰值旁瓣比(PeaktoSidelobelRatioPSR)法、實(shí)際響應(yīng)和期望響應(yīng)的差值法以及PSR值的敏感值(S)法分別求得各自響應(yīng)值的權(quán)重最后利用權(quán)重對各響應(yīng)圖進(jìn)行融合得到最終的響應(yīng)值及目標(biāo)的位置，且對模型自適應(yīng)更新。（2）當(dāng)跟蹤的目標(biāo)遭遇遮擋時(shí)，由于描述目標(biāo)的表觀特征大部分被丟失，僅憑特征融合的策略很難穩(wěn)定地跟蹤目標(biāo)。因此，本文首先在跟蹤模

5、塊中引入?21??損失函數(shù)來降低相關(guān)濾波算法對局部遮擋的敏感度；然后利用當(dāng)前幀響應(yīng)圖的PSR值來判斷目標(biāo)是否被嚴(yán)重遮擋。當(dāng)目標(biāo)存在嚴(yán)重遮擋時(shí)，候選目標(biāo)則進(jìn)入到再檢測模塊，根據(jù)SVM(SupptVectMachine)分類器再檢測到候選目標(biāo)的位置；最后通過對比檢測模塊的目標(biāo)響應(yīng)值和跟蹤模塊的目標(biāo)響應(yīng)值得到目標(biāo)的最終位置，并對分類器和模型分別進(jìn)行更新。本文通過選取OTB2013(ObjectTrackingBenchmark2013)數(shù)據(jù)集