基于核相关滤器的实时单目标跟踪算法研究-陈庆.pdf

《基于核相关滤器的实时单目标跟踪算法研究-陈庆.pdf》由会员分享，可在线阅读，更多相关《基于核相关滤器的实时单目标跟踪算法研究-陈庆.pdf（58页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、拳缒吠孽硕士学位论文拳控代码：10357密 级：保密期限：基于核相关滤波器的实时单目标跟踪算法研究Research of teaItime single object trackingbased OR kernel ized tortelation f；Iters学 号姓 名一级学科二级学科指导教师完成时间P14201012电子科学与技术电路与系统谭守标教授2017年05月万方数据独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得安徽大学或其他教育机构的学

2、位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：硬笊厌签字目期：如I降06月D2日学位论文版权使用授权书本学位论文作者完全了解安徽大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权安徽大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。(保密的学位论文在解密后适用本授权书)学位论文作者签名：乃久亩己签字日期：p7年彩月og_D导师签名： 谭守葡签字日期：z口17年口多月D二日万方数据摘要随着科技水

3、平的不断提高、电子元器件的更新迭代，当今社会对智能化的社会要求越来越高，结合人工智能技术的前沿摄像头也越来越多，技术水平的提高不仅便利了人们的日常生活，还是国家实力增强的证明。智能摄像头中涉及到的一个重要的技术领域就是计算机视觉，计算机视觉是当前十分活跃的前沿领域，与人们的生活息息相关、紧密联系。计算机视觉已经广泛应用于国家安全防护、交通智能监控、无人车辆行驶、人机交互等各个领域，备受高校和企业单位关注。其中，目标跟踪技术作为计算机视觉领域的重要组成，也突显出越来越重要的作用和应用场景。当前在线目标跟踪有很多优秀的算法，比如TLD、Struck、CT等，但是跟踪快速且效果很好的目标跟踪算法并不

4、多，Struck大约20帧每秒，TLD大约28帧每秒，仅仅达到普通摄像头的实时要求。基于核相关滤波器的目标跟踪算法能达到100多帧每秒，部分算法采用循环矩阵技巧构建分类器训练样本，把样本的数据矩阵变成循环矩阵，这样的样本采样方式大大的增加了样本的数量，提高了算法的准确率，同时使用一种连续的标签来标记样本，即距离样本中心目标近的标签值趋于1，距离样本中心目标远的标签值趋于0，有效的反应了每个负样本的权重。大多数基于核相关滤波器的跟踪算法会通过循环矩阵的性质，将分类器权重的求解问题由时域的卷积转变到傅里叶域里进行点乘，借此避免算法在时间域中复杂的求逆运算，显著提高运算效率。虽然核相关滤波器跟踪算法

5、在时间上优于大多数主流算法，但是其仍然没能解决目标跟踪漂移、目标快速运动或者变速运动、尺度变化即光照变化明显等问题对目标跟踪算法造成的干扰。本文针对核相关滤波器跟踪算法在目标快速运动、尺度变化及光照较暗情况下跟踪性能降低的问题，提出了一种基于比例、积分、微分控制器的在线更新算法，并设计了一种有效的异常判断模型来改善漂移问题。文章对跟踪目标的历史状态以渐忘的比例形式进行更新，同时加入差分状态来提前预判环境变化，并且利用感知哈希编码匹配来判断跟踪是否出错，进而来控制分类器的参数更新：首先对当前帧的踉踪目标进行哈希编码并保存，再对新到来的一帧中跟踪到的目标进行同样的哈希编码保存，对比两者的相似度；然

6、后依据相似度来决定是更新分万方数据类器参数还是重新检测跟踪目标。此外本文利用视频上下帧的相关性来对成像设备抖动从而造成的视频抖动模糊现象进行检测和修复。实验结果表明，本文算法对尺度变化、快速运动等影响属性有很强的鲁棒性。此外算法对其他属性如光照变化、遮挡等也有较强的鲁棒性，同时算法仍然保持很高的速度，能实现快速精准的目标跟踪。关键字：目标跟踪；核相关滤波器：哈希匹配；改进型PID万方数据AbstractWith the constant improvement of the level of science and technology,upgradeof electronic compone

7、nts，in nowadays society the requirement of intelligent socialis more and more higher,artificial intelligence technology combined withcuttingedge camera is also increasing，the progress of science and technology notonly facilitates the human lives，but also proves the national comprehensive strengthOne

8、 of the most important technical fields in the intelligent camera iS computer vision，which is a very active frontier in the present situation，is closely related to peopleSlifeComputer vision has been widely used in national security protection，trafficintelligent monitoring,autonomous vehicle，human-c

9、omputer interaction and otherfields，which is aroused the hi曲attention of enterprise and university researchinstitutesAmong them，the target tracking technology based on video is an importantbranch in the field of computer vision，and it also presents an increasingly prominentrole and application scena

10、riosCurrently,there are many superior algorithms for online target tracking，such asTLD，Struck，CT,etc，butthe track quickly and effective target tracking algorithm isnot enough，Struck is about 20 frames per second，and the TLD is about 28 frames persecond，only reach the requirements of the implementati

11、on for ordinary cameraObject tracking algorithm based on kemelized correlation filter Can reach around 1 00frames per second，part of the algorithm use circulant matrix technique to buildclassifier training samples，change the sample data matrix into a circulant matrix,suchsampling greatly increased t

12、he number of samples，and improve the accuracy of thealgorithm，at the same time，using a continuous label to mark samples，the label valueof the distance near from the sample to the center of the target the label value tends to1,and the label value the distance far from the sample center of the target

13、tends to 0，effectively reflect the weight of each negative sampleMost tracking algorithm basedon kemelized correlation filter through the character of the cyclic matrix，solving萨oblem of classifier weights by changing timedomain convolution into万方数据dot-multiplication in Fourier domain，in order to avo

14、id complex matrix inverSionprocess and greatly improving the efficiency of the algorithmAlthough the kemelizedcorrelation filterstracking algorithm is superior to most mainstream algorithms intime，but it still Call not solve the interference caused by the target tracking drift,fastmotion，scale chang

15、e，illumination change etcThe thesis in order to reduce the tracking performance degradation of kemelizedcorrelation filters tracking algorithm in the conditions of target fast moving，scalechange and light dark，proposes an online update algorithm based uponproportional，integration，derivative controll

16、er，and designed an effective anomalyestimation model to improve the drift problemThe algorithm updates the historicalstate of the tracked object by the form of oblivious proportion，at the same time，thedifferential state is added to predict the environmental change in advance，and usingperceptual，hash

17、 coding matching to judging whe、ther the tracking is in a faultstate，then control the update of classifier parameters：First of all，encoding the currentframe of the tracking target and storing it，then repeat the same steps on the newincoming frame of the tracking target，compare the similarity between

18、 them；last butnot least according to the similarity to determine whether to update the classifierparameters or to redetect the targetIn addition，the thesis uses the correlation of theupper and lower frames of the video to detect and fix the video jitter blur caused bythe j itter of the imaging devic

19、eThe experimental results show that algorithmmentioned in the paper is not only verify the strong robustness-for scale change，fastmoving，but also has strong robustness to other properties such as illumination change，occlusion and SO onMeanwhile tracking can still keeps high speed,the averageprocessi

20、ng speed Can reach 1 00 frame per secondKeywords：object traeking；kernelized correlation filters；Hash match；ImprovedPID algorithmIV万方数据目 录第一章绪论：一一111研究背景和意义112目标跟踪技术的研究进展3121目标跟踪算法的国内外现状3122目标跟踪算法的分类513论文的研究内容和组织结构8第二章核相关滤波器的目标跟踪算法设计921引言922相关知识点10艺21龄回归问题二：一10222核技巧搿1 1223循环矩阵1223基于核相关滤波器的目标跟踪算法设计14

21、231快速训练：。14232快速检测16233特征的选择1624本章小结18第三章模板更新策略和异常阿题研究2031引言二2032目标模板更新策略20321 PID算法的介绍21322常规PID控制器的设计223。23跟踪算法中的PID更新策略_一2333异常模块算法设计麓331哈希算法介绍25332基于LSH的目标匹配算法25V万方数据333异常判断策略26334目标重检测算法2734视频去抖动技术研究28341视频抖动现象检测28342视频去抖动3035本章小结。32第四章实验结果与分析3341引言3342实验结果与分析33421评估基准介绍33422实验评估方法。34423整体性能评估3

22、5424基于不同属性的实验与分析：384。3本章小结42第五章总结和展望4351工作总结4352工作展望43参考文献一45致谢50万方数据第一章绪论11研究背景和意义第一章绪论现今科学技术高速发展，电子元器件也更新飞快，摄像头的性能越来越好，使用更加普及。基于摄像头计算机视觉研究逐步成为近几年十分活跃的前沿研究领域【1】。目标跟踪问题，是计算机视觉领域中的一个亟须解决的问题。通常目标跟踪技术的图像信息是来自成像设备采集到的视频，而目标跟踪技术的任务就是对视频图像进行一系列的加工分析处理，从而得到目标的基础信息，方便做进一步的理解和处理【2】。随着拍摄设备的质量提高和价格降低，目标跟踪技术的应用

23、范围更广，应用频率更高。目标跟踪问题涉及多个领域，包括模式识别、机器学一习、图像处理、深度学习等，拥有较强的研究意义。无论是在智能监控上、视觉追踪上还是其他方面，目标跟踪都呈现出越来越重要的作用和应用前景，如：(1)智能监控：智能监控是在大量的实时视频流中利用图像处理知识和机器学习技术对数据进行实时处理分析，然后利用目标检测和跟踪算法对监控的目标进行跟踪分析，从而完成既定的任务【s】。由于现在的生活条件不断变好，以及各种高新技术的出现，智能监控已经在日常生活占据重要的篇幅，已经广泛应用在交通、商场、校园、银行等等公共场合，。用于安全防护或者行为预判。比如在交通路El的智能监控可以检测、识别、跟

24、踪违章车辆并且计算和规划路况；在商场、超市、校园等公共场合，智能监控可以检测异常动作和行为，并且跟踪目标人物，或者检测感兴趣行为，并对行为进行识别预测；在军事动作中，无论是太空监控系统还是防控武器系统等都需要依赖智能监控技术来帮助实现目标检测、识别、跟踪等行为。随着摄像机快速发展，当前的智能监控含有多个特征：日益高清的成像设备【4】、高性能的图像处理算法【5】、快速处理的集成芯片【6l。近年来智能监控更是与大数据云技术相结合，借助于云平台的超强计算能力提高了对目标、背景的快速检测和识别l，1。(2)视觉追踪：视觉追踪是利用成像设备在感兴趣区域获取图像信息，并对嚣像信息进行处理得到目标位置、干扰

25、背景、移动速度以发箕德参数，利用这些参数实现目标识别、跟踪等功能【s1。比如正在兴起的智能驾驶无人驾驶汽车万方数据基于核相关滤波器的实时单目标跟踪算法研究9-11、无人飞机1216】等，视觉追踪导航能力在其占据关键的技术之一，尤其是目标跟踪技术在这些项目中具有重要的作用。自从上世纪70年代，发达国家开始对自动驾驶汽车展开研究，并取得理论上的突破，此后各个国家都开始关注无人汽车的技术研究。图11(a)是早在2005年美国设计出的无人驾驶汽车斯坦利机器人汽车，很快我国也自主研发出我国的首辆无人驾驶汽车，图11(b)所示是我国的第一辆无人驾驶汽车。由于无人飞机结构上的特殊，其轻巧、便利、隐蔽有侦查力

26、，无人机在航拍、气象监测、农用喷药等方面广受欢迎，图12为中国无人航拍机。无人机的自主导航、壁障、追踪等功能的关键因素就是能否准确快速的对目标进行检测、识别和跟踪。(3)其它方面：智能机器人的人机交互技术也是近年来研究的热门技术，其中一个重要的突破口就是利用成像设备获取视频信息，然后对视频序列进行加工和处理?从中提炼有用信息从而使得机器人能够懂得人的表情、动作甚至行为【17】。此外人机交互的另一个典型应用就是空间感知交互，比如通过手势可随意在空间中绘制图形的空间感知交互系统【18】和体感游戏控制系统。图11 a世界上首款无人汽车 b中国的首款无人汽车Fig 11 a The worldS fi

27、rst autonomous vehicle b Chinese first autonomous vehicle由以上介绍可以知道，目标跟踪在军用上、商用上、人们日常生活中都发挥着重要的作用。尤其21世纪是一个高度信息化的时代，电子元器件飞速升级，社会已经向着智能化趋势发展，而目标跟踪技术就是其中关键的一项技术。经过2万方数据第一章绪论全球各国这些年对目标跟踪技术的研究和探索，目标跟踪技术得到了快速发展，尤其是近年来机器学习和深度学习知识难点被攻破使得目标跟踪技术急速提高。但是在实际复杂场景和现有硬件设备条件下，目标跟踪仍然有较大的困难难以克服。实时高效、鲁棒性好的跟踪算法有着重要的研究价值

28、和应用前景。图12无人航拍机Fig 12 An unmanned aerial vehicle12目标跟踪技术的研究进展随着监控设备越来越多，各国学者都投入大量的精力去研究目标跟踪的课题，解决目标跟踪的常见问题，取得了显著的成果，并将很多目标跟踪算法应用到了工业生产上。本节将介绍目标跟踪算法的国内外现状和算法分类两个方面。121目标跟踪算法的国内外现状早在20世纪50年代，Wax就提出了最初的目标跟踪理论19】；紧接着1964年Sittler提出了有关目标运动和轨迹关联的贝叶斯理论201；之后几年，Yaakov和Singer提出了基于卡尔曼滤波思想的目标跟踪算法【：】。此时目标跟踪技术快速发展

29、，尤其各种滤波模型的目标跟踪技术涌现而出，有关运动目标的跟踪算法和关联数据方面的研究取得巨大进展；70年代末、80年代初，跟踪算法研究员们又提出自适应的智能跟踪算法f22恻；再之后十几年中，学者们发现了大量基滤波或者概率模型的目标跟踪算法，如Mean shift tracking；至0了21世纪，为了更好万方数据基于核相关滤波器的实时单目标跟踪算法研究解决非线性的问题，学者们又研究出许多新的成果，尤其是粒子滤波的引入使得目标跟踪效果进一步提升；近十年，随着机器学习和深度学习的兴起，各种新算法的涌现，人工智能技术越来越成熟，目标跟踪算法越来越先进。在机器学习和深度学习中，跟踪问题一般被转化成为目

30、标与背景分类问题或者目标在区域类概率最大问题，如基于支持向量机(S订)的跟踪【冽和随机森林分类【25】。国外很早就成立了有关计算机视觉的研究室，针对目标识别、目标检测、目标跟踪都是不同的实验室做专门的研究，比如一些比较知名的公司研究机构BAE，The Bechman Institute，Mitsubishi Electric等，另外许多顶尖高校如麻省理工学院、卡内基梅隆大学、牛津大学等也都十分积极并组建了计算机视觉实验室，并且他们的研究小组在目标跟踪领域也研究出有效的成果，完成过一系列具有影响力的论文，别在实际工程项目中取得显著的效果。在此领域比较权威的国际会议有：CVPR(IEEE Conf

31、erence on Computer Vision and PaRem Recognition)、ICCV(International Conference on Computer Vision)、ECCV(European Conferenceon Computer Vision)、ICIP(IEEE International Conference on Image Processing)、ICPR(Intemational Conference on PaRem Recognition)等；重要的国际期刊有：TPAMI(IEEE Transactions on Pattem Analys

32、is and Machine Intelligence)、PR(PattemRecognition)、CVIU(Computer Vision and Image Understanding)等。与国外相比，国内计算机视觉研究相对比较晚，目标跟踪技术研究也相对比较滞后，但在国家的大力支持下，许多高校和科研单位开展了计算机视觉方面的研究，尤其是随着机器学习和深度学习算法的兴起，各大高校、科研单位和前沿公司投入越来越多的精力和资源，并取得了丰富的成果，如：清华大学，上海交通大学，中科院计算机研究所、自动化所等，都组建了专业的小组深入研究计算机视觉相关技术，包括目标跟踪技术都取得大量的成果。我国主要

33、研究成像设备中跟踪目标的选定、视频序列中感兴趣目标识别和跟踪、目标行为识别和高级语义理解等核心技术。其中，目标检测和跟踪技术是后续高级语义分析技术的基石，也是行为识别分析的关键所在。国内学者更多关注目标跟踪技术快速精准的稳定性能研究。而伴随国内学者在机器学习和深度学习技术上的突破，国内外目标跟磅搜术渖开究：蛔侮羞龋描嘲绻妣。，4万方数据第一章绪论122目标跟踪算法的分类大多数算法提出理论不同，科学标准也不同，因此没有明确的算法分类。当前流行的目标跟踪算法主要跟随机器学习方法来进行分类。主要划分为判别跟踪、生成跟踪以及其它形式目标跟踪算法。(1)判别跟踪算法判别跟踪是将跟踪任务看做连续的二分类问

34、题来处理，即通过训练好的分类器将视频帧中的目标和背景环境区分开，一帧图片进入分类器，得出的最大响应的位置就是目标。下面将介绍一些经典的基于判别方法的跟踪算法：2004年Avidan在支持向量机(Support Vector Machine，SVM)的基础上提出一种支持向量跟踪算法(SupportVector TraCking，SVT)281，该算法利用支持向量机做检测，利用光流法做跟踪，使得SVM分类器代替原本的光流跟踪法中相邻两帧之间亮度差值最小方法来识别目标。07年的时候，Tang等人结合SVM提。 。 r ”V 一 1出一个半监督的跟踪算法【29】，这个跟踪器使用SVM和一个协同训练的框

35、架，使得跟踪器在跟踪过程中能够不断的改善从而更加强健。Grabner提出一种实时的在线跟踪算法(Real-time tracking via online boosting)【30】，使用了Adaboost分类器来检测目标，Adaboost分类器将很多个弱分类器组合成一个强分类器，用于提高分类器的精度，而且不用做特征选择也不用担心过拟合，只要在这些特征中多用方便快速计算的特征就可以达到实时。之后Grabner等也采用一种半监督学习和Adaboost方法结合的方法来选择特征，这样的自适应系统可以不用调整参数，从而避免了参数在线更新时可能会造成的漂移现象。到了09年，Babenko等将多示例学习应

36、用到了目标跟踪领域，提出基于在线多示例学习目标龈踪(MIL)【311，MIL算法仍然是选择正负样本进行训练，不过利用多示例弱弱联合变强的思想，选择的是正样本集，这样算法的稳定性受跟踪器本身误差较小，对于遮挡、光照、尺度等变化也不是很敏感。2011年Sam Hare等人提出一种基于结构输出预测的自适应目标跟踪算法(Struck)【32】，它引入一个核结构化输出SVM来避免中间分类环节，直接输出结果，同时引入一个预算机制来满足实时性，利用Struck算法优化的GPU能够满足高速跟踪。2012年Kalal等人提出一种性能很好的单目标长时间跟踪算法TLD(Tracking-learning-detec

37、tion)33】，区别于传统的目标跟踪算法在于它将检测部分和跟踪部分结合了起来，用来处理感兴趣目标万方数据基于核相关滤波器的实时单目标跟踪算法研究被跟踪过程中出现的异常问题，同时它引入改善过的在线学习策略来长期跟踪算法，使跟踪器整体更加鲁健。2015年Liu等人提出一种基于相关滤波器块的自适应目标跟踪算法【34】，它使用多个相关滤波器块进行跟踪来提高实时性，并且自适应的更新参数、加权来克服目标外观变换的问题。基于判别方法跟踪算法虽然是现在目标跟踪算法的主流，但仍然存在以下挑战：第一，离线训练的分类器往往过于复杂或者欠拟合；第二，在线训练的分类器更新容易受到正负样本数量的影响，而且容易将负样本当

38、做正样本，发生漂移。(2)生成式目标跟踪生成式跟踪算法利用先验信息，为目标建立一个模型，然后在视频每一帧图像中感兴趣区域去搜寻和模型最相似的图像区域，实时找到相匹配的目标。通常情况采用基于模板或者子空间模型作为目标模型。采用模板作为目标模型的，常有的有基于绝对差分和(SunAbsolute Difference，SAD)的跟踪、基于误差平方租(Sum of Square Difference，SSD)的跟踪、基于平均绝对值差分(Mean AbsoluteDifference，MAD)的跟踪、基于归一化的互相关系数(Normalized CrossCorrelation，NCC)的跟踪等。由于当

39、跟踪目标被遮挡或者目标自身变化如尺度变化、旋转等，这些方法容易目标漂移，所以国内外学者们又提出很多改进的方法，如对Mean Shift跟踪算法的改进，使用最大期望(Expectation Maximization，EM)方法调整目标模型，特征点和外观模型结合，建立动态模型等。2012年Wu等人提出一种基于ORB特征的目标跟踪算法(Object tracking based on ORB andtemporalspacial constraint)【35】，ORB特征是指具有方向的FAST角点检测子和具有旋转不变的BRIEF兴趣点描述子，该方法首先计算每帧图像中ORB关键点和描述子，然后匹配相邻

40、帧两个点集的距离找到最佳位置，如果不存在匹配点，就使用时空约束来估计跟踪目标的位置。此外还有利用低维空间来表述目标模型的，用主成分分析(PCA)方法进行模型更新，还有用压缩感知对模板稀疏表达等等。虽然已经有了很多成熟的生成式目标跟踪算法，但是这些算法普遍存在两个问题：第一，此类方法没有利用背景信息，减少了很多有用的信息；第二，往往一个抗干扰性好的鲁健的目标模板所对应的计算量也会很大。(3)其它形式目标跟踪算法6万方数据第一章绪论由于上述两种方法各自具有优缺点，一些学者开始研究其它形式的跟踪算法，主要是结合判别式和生成式的混合跟踪算法，以及利用深度学习的目标跟踪算法。混合的方式主要有两种，分别为

41、交互混合和加权混合等。一个例子就是2012年Zhong等人提出一种协同目标模型的目标跟踪算法【36】，算法基于稀疏性协同模型，使用了整体模板与局部表示相结合来为外观建模，使得跟踪器的性能更加的好。相比较于混合式跟踪算法，基于深度学习方法的跟踪算法近几年才取得显著成果。深度学习在近几年飞速发展，在计算机视觉的很多领域取得重大的突破，比如图像识别i行为分析等，很多深度学习模型在处理图像问题上已经超越绝大部分机器学习方法，但是由于目标跟踪的实时性要求，深度学习模型在目标跟踪问题上的应用还是很少的。2013年Naiyan Wang和Jonghnon Jin分别利用层叠去噪自动编码机和卷积神经网络模型对

42、目标进行跟踪研究37,38，取得有效的成果。在此之后的这三年，学者们针对深度学习在目标跟踪领域的训练数据缺失问题和实时性问题做了很多的尝试，也取得有效的结果。针对目标跟踪问题的训练数据非常有限的情况，Wang使用辅助的非跟踪训练数据进行预训练，获取目标特征的通用表征，在实际跟踪中，利用跟踪目标信息对预训练模型进行微调，这样降低对目标样本量的需求同时提高跟踪器的性能。2015年以来，一种新的方法，利用现有的大规模分类数据集(如ImageNet)预训练的CNN网络(如VGG-Net)提取特征表示，也取得很好的效果，Wang等人提出的FCNT(Visual Tracking谢mFully Convo

43、lutional Networks)对ImageNet上训练得到的CNN特征深入分析并应用到目标跟踪任务上，并设计合适的后续网络结构，具有很好的启发作用。另一个很好的方法就是Nam在2015年提出的利用跟踪序列预训练，在线微调方法(Leaming Multi-Domain Convolutional Neural Networks for Visual Tracking)，将每个训练序列单独当成一个domain，每个domain都有一个二分类层。近年来兴起的递归神经网络(RNN)尤其是带有门结构的LSTM(Long Short-Term Memory)和GRU(Gated Recurrent

44、Unit)，使得很多研究者开始尝试用RNN来解决目标一跟踪问题。万方数据基于核相关滤波器的实时单目标跟踪算法研究13论文的研究内容和组织结构根据此上两个小节分析可知，目标跟踪技术的应用空间是巨大的，并且技术有待进一步完善。一个鲁棒性很好的目标跟踪算法不光要能够满足系统的实时要求，而且需要适应光照强度不一、目标尺度变化、目标姿态不一致、目标被遮挡等复杂的情况。因此本文通过对目标跟踪实时性和鲁棒性两个方面的研究，提出了基于核相关滤波器的快速目标跟踪算法。本文一共5个章节，第一章是论文的绪论部分，第二章和第三章研究基于核相关滤波器的实时目标跟踪算法及其鲁棒性研究，第四章实验分析跟踪算法，第五章总结和

45、展望。图13所示为论文的总体组织结构。 ；!舅。目标gR踪算法的研究实现 本文算法的实验分析图13本文组织结构Fig 13 The organization structure of the thesis各章节内容介绍如下：第1章绪论用于介绍目标跟踪技术的研究背景和意义，算法分类以及本文的组织结构和研究内容；第2章介绍相关滤波器跟踪概念，给出本文的目标跟踪算法；第3章介绍了El标跟踪算法的常见问题，并且针对这些问题给予解决方案；第4章对之前提出的算法进行实验验证，并且对结果进行分析。第5章对本文的工作进行归纳总结，表明工作取得的创新成果，并且指出现阶段工作的不足之处以及对接下来工作的展望和期待。图万方数据第二章核相关滤波器的目标跟踪算法分析与设计第二章核相关滤波器的目标跟踪算法设计21引言目标跟踪问题是计算机视觉领域中的热门课题，也是智能监控系统的核心之一，在各行各业应用广泛，如在电力安全生产中，为避免作业人员进行危险操作，可利用视觉跟踪准确分析目标行为，发现异常行为及时报警，尽可能降低安全风险。在视觉跟踪领域中，不同于多目标跟踪，单目标跟踪可以被看作是一个在线学习问题26,27。通过初始化一个目标框，来训练一个分