资源描述：
《基于分块的抗遮挡目标跟踪算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、分类号学号M201572920学校代码10487密级硕士学位论文基于分块的抗遮挡目标跟踪算法研究学位申请人：罗巍学科专业：计算机技术指导教师：凌贺飞教授答辩日期：2017年5月25日万方数据AThesisSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeoftheMasterofEngineeringTheResearchofBlock-basedAnti-occlusionObjectTrackingAlgorithmCandidate:LuoWeiMajor:ComputerTechnologySu
2、pervisor:ProfessorLingHefeiHuazhongUniversityofScience&TechnologyWuhan430074,P.R.ChinaMay,2017万方数据万方数据华中科技大学硕士学位论文摘要目标跟踪一直以来都是计算机视觉领域的研究热点，可应用于军事领域、医学领域、视频监控系统、虚拟现实、以及人机交互等场景。但当前目标跟踪面临着许多难题，如复杂的场景（例如目标遮挡、图像序列低分辨率、复杂背景、目标快速运动、目标形变等）会使目标跟踪准确率降低，影响使用效果。因此需要研究对这些问题具有鲁棒性的目标跟踪算法。针对目标跟踪中出现的目标遮
3、挡问题，对目标进行分块跟踪。首先以核相关滤波（KernelCorrelationFilter,KCF）作为各分块的基础跟踪算法对其进行优化，利用跟踪响应图计算置信度，判断目标分块是否发生遮挡，根据遮挡情况对模型进行自适应更新。同时为了减少低置信度样本对模型的影响，使模型学习率根据置信度自适应改变。在跟踪过程中根据各分块的置信度确定目标整体的具体位置。当判断目标发生完全遮挡后，使用针对目标整体的检测器对目标进行重检测，当目标重新出现后，及时定位出目标的位置，并且通过多粒度检测的策略，能够提升重检测的速度和精度。通过在测试数据集OTB-100上进行实验，分别测试跟踪算法对
4、剧烈运动、运动模糊、形变、遮挡等跟踪问题的鲁棒性。确定了模型更新策略和学习率自适应更新方法对跟踪性能的提升，且分块方法能够在很大程度上提升跟踪的效果，对各种跟踪的复杂场景的鲁棒性有较大提升，而使用了重检测机制的分块方法能够实现长期跟踪的目的。最终的算法与其他跟踪器相比具有较好的跟踪效果。并且由于其速度能够达到实时，因此可以应用于实际场景。关键词：分块跟踪；长期跟踪；遮挡鲁棒；模型自适应更新I万方数据华中科技大学硕士学位论文AbstractObjecttrackinghasalwaysbeenthehotspotinthefieldofcomputervisionand
5、canbeappliedtomilitary,medical,videosurveillance,virtualreality,andhuman-computerinteraction.However,thecurrentobjecttrackingisfacedwithmanyproblems,suchascomplexscenes(objectocclusion,imagesequencelowresolution,complexbackground,objectrapidmovement,objectdeformation,etc.)willreducetheo
6、bjecttrackingaccuracyandaffectingtheuseofresults.Therefore,itisnecessarytostudytheobjecttrackingalgorithmwhichisrobusttotheseproblems.Aimingattheobjectocclusionprobleminobjecttracking,theobjectwastrackedbyblocking.Firstly,KernelCorrelationFilter(KCF)isusedasthebasictrackingalgorithmfore
7、achblocktooptimizeit.Theconfidenceiscalculatedbyusingthetrackingresponsegraphtodeterminewhethertheobjectblockisoccludedandadaptivelyupdatethemodelaccordingtotheocclusionsituation.Atthesametime,inordertoreducetheinfluenceoflowconfidencesamplesonthemodel,themodellearningrateisada
