快速多尺度目标跟踪算法研究

《快速多尺度目标跟踪算法研究》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、０６９７：１分类号：ＴＰ３９１学校代码密级：２０１５２０９５７：公开学号＿颀士字位论文’ＭＡＳＴＥＲＳＤＩＳＳＥＲＴＡＴＩＯＮ快渣多尺度目标跟踪算法研究０学科名称：计算机应用技术作者：王力指导老师：康宝生教授西北大学学位评定委员会二〇一八年六月ResearchonFastMulti-scaleTargetTrackingAlgorithmAthesissubmittedtoNorthwestUniversityinpartialfulfillmentofthe

2、requirementsforthedegreeofMasterinComputerApplicationTechnologyByWangLiSupervisor:KangBao-shengProfessorJune2018摘要随着图像处理、机器学习技术领域的迅速发展，目标跟踪技术受到越来越多研究人员的广泛关注。近年来，目标跟踪技术已取得了良好的成果。但随着目标跟踪被应用于更多的领域，其所面临的环境也变得复杂，如目标信息的多变性、复杂的背景以及遮挡等不确定因素。因此，目标跟踪技术仍然是当前一项重要的挑战性工作。本文

3、对基于相关滤波的理论做了深入分析与研究，针对现有的目标跟踪算法中存在的难点问题提出一些有效的改进方法，主要工作如下：1.提出一种基于改进HOG-颜色特征的目标检测与跟踪方法。针对构建目标外观模型中融合HOG-颜色特征计算量大导致目标跟踪算法实时性差的问题，利用特征选择的方法对其特征维数进行降维。首先，对目标样本分别进行HOG特征和颜色特征提取；其次，采用巴氏距离作为特征选择的标准，计算出每一维特征的巴氏距离，选择合适的特征作为HOG特征；然后，将选择后的HOG特征与颜色特征进行融合；最后，通过核相关滤波学习得到滤波

4、器，并用该滤波器对图像进行相关检测，得到响应输出。实验表明，在各种复杂场景下，该方法都可以保证较准确的跟踪精度，而且跟踪速度有明显的优势。因此，该方法可从根本上降低特征维度，减少特征提取时间，使得目标检测与跟踪的效率得到进一步提高。2.提出一种基于相关滤波的快速多尺度目标跟踪方法。针对现有目标跟踪算法中对目标尺度估计不准确、跟踪速度慢的问题，利用快速构建目标尺度特征金字塔的方法对目标尺度进行快速准确估计。现有的特征金字塔构建方法是先建立多层目标图像金字塔，然后逐层计算目标图像特征。本文是先提取单幅图像的特征，然后通

5、过重采样函数构建不同尺度的目标图像特征，大大减少计算特征的时间开销。实验表明，该方法不仅能够有效应对各种复杂环境下的目标尺度变化问题，并且跟踪速度完全满足实时场景下的跟踪需求。关键字：目标跟踪，核相关滤波，特征选择，特征融合，特征金字塔IABSTRACTWiththedevelopmentofimageprocessingandmachinelearningtechnology,targettrackingtechnologyisattractingmoreandmoreresearchers'attention.

6、Inrecentyears,thetargettrackingalgorithmalsohasobtainedtheremarkableresult,butasthetargettrackingisappliedinmorefields,theenvironmentisalsofacingcomplicated,suchastargetinformationvariability,complexbackgroundandpartialocclusions,andsoon.Therefore,thetargettra

7、ckingalgorithmisstillaverychallengingtaskatpresent.Inthispaper,thetheorybasedonkernelcorrelationfilteringisstudiedindeeply.Someeffectiveimprovementmethodsareproposedtosolvethedifficultproblemsintheexistingtargettrackingalgorithm.Themainworkissummarizedasfollow

8、s:1.AtargetdetectionandtrackingmethodbasedonimprovedHOG-Colorfeaturesisproposed.Aimingattheproblemofpoorreal-timeperformanceofthetargettrackingalgorithmduetothelargecomputationalco