收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于TLD的粒子群目标跟踪理论与应用技术研究

郭巳秋  
【摘要】:一直以来目标跟踪技术都是计算机视觉、图像处理领域的研究热点,其在智能监控、视觉导航、智能交通、人机交互、国防侦察等领域具有重要应用价值。近三十年来,一直有大量的国内外研究学者在不断地研究改进目标跟踪算法。但是,由于跟踪过程中目标信息的复杂性、目标的随机性、背景干扰和目标遮挡等问题,目标跟踪技术仍然是一个很有挑战性的问题。目前虽然成熟的目标跟踪算法有很多种,但是大部分算法都需要特定的环境和应用的范围。尤其是应对广泛场景的跟踪问题一直没有强鲁棒性的算法被提出来,绝大多数方法都是局限在特定的环境里,还需要大量的研究。颜色特征和HOG特征是目标跟踪领域中应用极为广泛的两种目标特征,本文将加权颜色直方图和HOG特征相融合,并通过PCA降维作为目标特征,提高算法在光照条件变化,目标发生形变等情况下的跟踪鲁棒性;针对目标出现遮挡的情况,将粒子群算法应用到目标跟踪系统中,优化目标相似性函数,提出了基于特征融合的粒子群优化目标跟踪算法;并针对惯性权重调节机制存在的局限性,提出了改进的粒子群优化目标跟踪算法,在保证算法跟踪精确度的前提下,显著提高算法运算效率;本文系统地研究了TLD算法的各个环节,提出了基于TLD算法的粒子群优化目标跟踪算法,在跟踪模块,检测模块,学习模块分别进行改进,提高了算法在复杂情况下跟踪的鲁棒性。论文的主要研究内容和创新点有以下几部分:1.深入研究目标跟踪系统基础理论,研究分析了基于匹配跟踪算法的结构化组成,将其分解为目标特征提取以及相似性函数优化两部分结构。2.将加权颜色直方图和HOG特征相融合,并通过PCA降维作为目标特征,选用Bhattacharyya系数作为目标相似性度量,提出了颜色特征和HOG特征融合的目标跟踪算法。加权颜色直方图选用中心凸起单调递减的Epanechnikov核函数作为直方图权值,减弱目标边缘像素对目标特征的贡献,颜色特征对目标方向和形状的依赖较小,经实验验证对跟踪过程中目标出现形变等情况具有明显优势。HOG特征在光照变化的情况下,具有良好的稳定性,将两种算法相融合,发挥各自优势,提高算法在光照条件变化,目标发生形变等情况下的跟踪鲁棒性。3.将粒子群优化算法应用到目标跟踪系统中,提出基于特征融合的粒子群优化目标跟踪算法。粒子群算法具有很好的“多峰”搜索能力,当目标出现遮挡时,目标相似性函数也会出现“多峰”的情况,将两者结合起来,可以良好地解决目标出现遮挡的跟踪问题。通过实验证明,基于特征融合的粒子群优化目标跟踪算法可以有效完成“多峰”搜索,实现相似函数出现“多峰”时的目标精确定位。4.针对基于特征融合的粒子群优化目标跟踪算法中惯性权重调节机制的局限性,提出了改进的粒子群优化目标跟踪算法。首先,初始化算法参数,并确定目标区域;接着,本文提出粒子成熟度的概念,改进惯性权重的调节方法,可以根据种群中每个粒子的不同状态准确调整惯性权重;然后,更新粒子的位置和速度,更新种群的个体最优解和全局最优解;最后,粒子适应度值最大的位置被确定为目标。通过实验验证相较于自适应惯性权重调节机制的粒子群优化目标跟踪算法,改进的算法在保证跟踪精确度的情况下,减少了粒子的迭代次数,显著提高了算法运算效率。5.本文系统地分析TLD算法的各个环节,对跟踪模块,检测模块,学习模块分别进行改进,提出了基于TLD的粒子群优化目标跟踪算法。本文用基于特征融合的粒子群优化目标跟踪算法替代TLD算法中原来的跟踪模块,增强TLD算法在应对目标出现光照变化、非刚性形变、尺度变化、旋转、遮挡等情况下的跟踪鲁棒性;针对TLD算法中运算量较大的检测模块,提出一种自适应调节方差阈值的分类器,提高算法精度和运算效率;针对学习模块中在线学习样本更新的问题,引入样本删除机制,在跟踪过程中为样本库中正负样本分别设定一个数量阈值,当正负样本数都达到各自阈值时,便会启动样本删除机制。然后,对待分类进入样本库的图像块进行等级评价,删除对正负样本表征能力都较弱的图像块。最后,将样本库中的正负样本与当前目标进行相似度匹配,删除对当前目标表征能力低的样本。改进后的基于TLD算法的粒子群优化目标跟踪算法在跟踪准确性和运算效率上得到综合提高。实验结果证明,在应对目标发生光照变化、非刚性形变、尺度变化、旋转和遮挡等广泛场景下的跟踪问题时,基于TLD的粒子群优化目标跟踪算法与11种目前最先进的跟踪算法相比跟踪精度排名第一,比排名第二的DLSSVM算法跟踪精度提高了1.2%,改进的算法相较于原始TLD算法运算效率提高了25%。


知网文化
【相似文献】
中国期刊全文数据库 前15条
1 杨凯杰;田畅;关文君;;快速目标跟踪算法及其嵌入式实现[J];军事通信技术;2016年04期
2 陈伟;祝恩;刘天航;殷建平;邱明辉;;目标跟踪算法的并行优化[J];计算机工程与科学;2016年11期
3 张涛;李继生;董恩国;;基于人脸识别的移动目标跟踪算法研究[J];现代制造技术与装备;2017年02期
4 李贺;;基于深度学习的目标跟踪算法研究综述[J];黑龙江科技信息;2017年17期
5 吴小俊;徐天阳;须文波;;基于相关滤波的视频目标跟踪算法综述[J];指挥信息系统与技术;2017年03期
6 王立新,戴冠中;一种分散化多站联合目标跟踪算法[J];航空学报;1988年03期
7 V.纳加拉简;R.N.沙马;肖万选;;改善边跟踪边搜索雷达的检测和跟踪性能的新方法(第二部分)——检测、航迹的产生与组合[J];雷达与对抗;1988年05期
8 孟琭;李诚新;;近年目标跟踪算法短评——相关滤波与深度学习[J];中国图象图形学报;2019年07期
9 窦慧;赵书斌;王强;;基于特征点的典型目标跟踪算法性能分析[J];指挥控制与仿真;2017年02期
10 王丽娜;;基于卡尔曼滤波的单模型目标跟踪算法的仿真研究[J];中国新通信;2016年10期
11 曹晓丽;李明;邢玉娟;谭萍;;几种自动目标跟踪算法的比较研究[J];硅谷;2013年02期
12 谢涛;;基于能效的动态分簇目标跟踪算法[J];西南大学学报(自然科学版);2016年11期
13 马世强;;一种基于卡尔曼滤波器的多目标跟踪算法研究[J];电子世界;2016年23期
14 马书红;;基于计算机视觉的运动目标跟踪算法的探讨[J];智库时代;2017年05期
15 储珺;朱陶;缪君;江烂达;;基于遮挡检测和时空上下文信息的目标跟踪算法[J];模式识别与人工智能;2017年08期
中国重要会议论文全文数据库 前10条
1 徐炳吉;;一种多站联合目标跟踪算法[A];数学及其应用文集——中南模糊数学和系统分会第三届年会论文集(上卷)[C];1995年
2 肖敬若;胡伏原;郑江滨;张艳宁;;一种有效的多目标跟踪算法[A];第十二届全国信号处理学术年会(CCSP-2005)论文集[C];2005年
3 杜方芳;刘士荣;邱雪娜;;一种改进的粒子滤波目标跟踪算法[A];PCC2009—第20届中国过程控制会议论文集[C];2009年
4 付晓薇;方康玲;李曦;;一种基于特征的多目标跟踪算法[A];2003年中国智能自动化会议论文集(下册)[C];2003年
5 王亚楠;陈杰;甘明刚;;基于差分进化的改进粒子滤波目标跟踪算法[A];中国自动化学会控制理论专业委员会C卷[C];2011年
6 许伟村;赵清杰;;一种基于粒子滤波的多目标跟踪算法[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
7 石章松;刘忠;;一种使用辅助变量的单站纯方位目标跟踪算法[A];2003年中国智能自动化会议论文集(下册)[C];2003年
8 段萌远;于俊清;王锦;;基于活动状态分类的多目标跟踪算法[A];第二届和谐人机环境联合学术会议(HHME2006)——第15届中国多媒体学术会议(NCMT'06)论文集[C];2006年
9 张震宇;王立松;;基于粒子滤波的传感器目标跟踪算法[A];2008年中国高校通信类院系学术研讨会论文集(上册)[C];2009年
10 郭春;罗鹏飞;;一种基于小波变换的目标跟踪算法研究[A];第十届全国信号处理学术年会(CCSP-2001)论文集[C];2001年
中国博士学位论文全文数据库 前10条
1 张铎;基于水下无线传感器网络的自组织目标跟踪算法研究[D];浙江大学;2019年
2 储琪;基于深度学习的视频多目标跟踪算法研究[D];中国科学技术大学;2019年
3 郭巳秋;基于TLD的粒子群目标跟踪理论与应用技术研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年
4 胡秀华;复杂场景中目标跟踪算法研究[D];西北工业大学;2017年
5 王全辉;筛选式知识辅助多模型机动目标跟踪算法[D];深圳大学;2018年
6 产思贤;基于视觉系统的智能目标跟踪算法研究[D];浙江工业大学;2018年
7 胡琪;基于随机矩阵的扩展目标跟踪算法研究[D];西安电子科技大学;2018年
8 金加根;基于元数据的雷达目标检测和跟踪研究[D];武汉理工大学;2015年
9 张雷;复杂场景下实时目标跟踪算法及实现技术研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2016年
10 胡硕;基于小波理论的目标检测与快速目标跟踪算法研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2006年
中国硕士学位论文全文数据库 前10条
1 李凯峰;基于KCF的目标跟踪算法研究及嵌入式系统实现[D];天津理工大学;2019年
2 吕应宇;基于深度学习的非特定目标跟踪算法研究[D];沈阳工业大学;2019年
3 石亚倩;深度学习及深度强化学习在视频目标跟踪中的应用研究[D];西安理工大学;2019年
4 危振;结合目标全局信息的分块目标跟踪算法[D];南昌航空大学;2019年
5 周启晨;基于深度学习的无人机对地目标跟踪算法研究[D];北方工业大学;2019年
6 王永;基于孪生网络的目标跟踪算法及其在舰船场景中的应用研究[D];厦门大学;2018年
7 赵周鼎;核相关滤波目标跟踪算法的研究及其嵌入式平台的实现[D];郑州大学;2019年
8 王润玲;多带宽融合的实时目标跟踪算法[D];北方工业大学;2019年
9 肖渤涛;复杂场景下的实时目标跟踪算法研究及DSP实现[D];中国石油大学(华东);2017年
10 王睿;基于Mean Shift的目标跟踪算法研究[D];武汉大学;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978