论文部分内容阅读
计算机视觉的应用场景十分多样,涵盖了国民生活的很多领域。诸如视频监控、人机交互、自动车辆控制和人类行为分析等任务都大量利用目标检测与跟踪并从视觉系统中受益。现阶段,已有的一些较为优秀的跟踪算法在实际应用中仍然无法同时满足高精度、高成功率、高实时性等要求,更无法适用于多种多样的目标或者环境。因此继续研究拥有更高跟踪性能的算法仍然是一个有着重大意义和很大挑战的课题。
目前,针对非线性和非高斯系统中的目标跟踪,粒子滤波(PF)是相对较好的选择,但是PF在利用序列重要性重采样方法解决粒子的权值退化问题时,会严重降低粒子多样性,进而降低跟踪精度。同时PF技术属于生成式方式,存在概率预测的过程,导致跟踪算法的鲁棒性相对不佳。所以,为了探索更加有效的目标跟踪算法,本文将提出两种不同的改进PF的方法,将PF与智能算法、特征提取、深度学习方法相结合,并在OTB数据集中进行对比仿真,以此验证所提出算法的可靠性。本文的主要研究工作和创新点如下:
(1)针对PF中的权值退化和粒子多样性降低等问题,提出一种采用融合模拟退火(SA)及高斯扰动(G)的蝙蝠算法(BA)对PF进行改进的算法(SAGBA-PF)。BA算法的优势在于搜索最优解的过程更加随机,融合的SAG策略可以进一步避免算法陷入局部最优解。为了验证SAGBA-PF算法的可靠性,本文将该算法和标准PF算法以及相关智能算法改进PF进行了性能对比分析。仿真结果显示经过SAGBA改进后的PF算法的性能均优于其它的改进方法。
(2)在研究了生成式模型目标跟踪方法之后,提出一种基于改进PF的视频目标跟踪算法。该算法使用改进后的PF作为运动模型,通过粒子集来预测视频序列中待跟踪目标的候选位置。使用融合HOG和颜色特征作为特征提取部件,来提取特征以确定粒子集中粒子的权重,并根据粒子集及其权重来估计在当前视频图像序列中的目标位置。通过仿真对比分析可以发现所提出算法的跟踪效果优于所有对比算法。
(3)针对PF算法中出现的跟踪失败、鲁棒性差、精度不高等问题,提出一种基于判别方式改进PF的目标跟踪算法。该算法使用优化后的YOLO(You only look once)算法来检测图像序列每一帧中的候选目标位置,以此结果来校正PF对每一帧图像中目标位置的预测。仿真结果证明了改进后的算法在鲁棒性以及跟踪性能上都优于对比算法。
目前,针对非线性和非高斯系统中的目标跟踪,粒子滤波(PF)是相对较好的选择,但是PF在利用序列重要性重采样方法解决粒子的权值退化问题时,会严重降低粒子多样性,进而降低跟踪精度。同时PF技术属于生成式方式,存在概率预测的过程,导致跟踪算法的鲁棒性相对不佳。所以,为了探索更加有效的目标跟踪算法,本文将提出两种不同的改进PF的方法,将PF与智能算法、特征提取、深度学习方法相结合,并在OTB数据集中进行对比仿真,以此验证所提出算法的可靠性。本文的主要研究工作和创新点如下:
(1)针对PF中的权值退化和粒子多样性降低等问题,提出一种采用融合模拟退火(SA)及高斯扰动(G)的蝙蝠算法(BA)对PF进行改进的算法(SAGBA-PF)。BA算法的优势在于搜索最优解的过程更加随机,融合的SAG策略可以进一步避免算法陷入局部最优解。为了验证SAGBA-PF算法的可靠性,本文将该算法和标准PF算法以及相关智能算法改进PF进行了性能对比分析。仿真结果显示经过SAGBA改进后的PF算法的性能均优于其它的改进方法。
(2)在研究了生成式模型目标跟踪方法之后,提出一种基于改进PF的视频目标跟踪算法。该算法使用改进后的PF作为运动模型,通过粒子集来预测视频序列中待跟踪目标的候选位置。使用融合HOG和颜色特征作为特征提取部件,来提取特征以确定粒子集中粒子的权重,并根据粒子集及其权重来估计在当前视频图像序列中的目标位置。通过仿真对比分析可以发现所提出算法的跟踪效果优于所有对比算法。
(3)针对PF算法中出现的跟踪失败、鲁棒性差、精度不高等问题,提出一种基于判别方式改进PF的目标跟踪算法。该算法使用优化后的YOLO(You only look once)算法来检测图像序列每一帧中的候选目标位置,以此结果来校正PF对每一帧图像中目标位置的预测。仿真结果证明了改进后的算法在鲁棒性以及跟踪性能上都优于对比算法。