一、对地目标相关跟踪算法研究（论文文献综述）
娄佳欣,李元凯,王媛,徐琰珂[1]（2021）在《基于核学习的运动目标跟踪算法综述》文中认为核方法通过将原始空间数据映射到高维希尔伯特空间,将非线性映射隐含在线性学习器中,使用核函数代替高维空间中复杂的内积运算,能够有效避免高维空间计算带来的"维数灾难"。核方法具备可学习性、高效计算、可线性化、泛化性能好等优势,为解决非线性目标跟踪问题提供了一种新的有效途径。传统的目标跟踪方法往往利用跟踪模型预测目标当前运动状态,并确保跟踪的准确性与实时性,核方法则提供了线性化处理的一般途径,且可以不依赖具体模型,具备高效计算能力,将核学习方法引入目标跟踪领域有望提升目标跟踪的环境适应性。本文基于核方法基本思想,着重梳理了核学习目标跟踪当前的研究进展,包括基于核学习的目标检测算法、生成式和判别式目标跟踪算法,以及构造不同核函数的多核学习方法,并对核学习目标跟踪在核函数优化、长时间跟踪、特征提取、目标遮挡等方面的进一步研究与探索进行展望。
郑伟伟[2]（2021）在《视觉单目标跟踪算法研究》文中认为视频监控领域对计算机视觉技术有急切的需求,而视觉目标跟踪是其中一个重要的基础研究问题,通过对感兴趣的目标物体进行跟踪并记录跟踪轨迹,我们可以从一段视频中提取出一个结构化的视频摘要,还可以对视频中的群体或单体异常行为进行分析,或者协助公安机关对犯罪嫌疑人进行查询和搜证,等等。经过近二十年的发展,现有的目标跟踪方法已经可以在一些难度较小的视频场景中进行准确跟踪,但是,面对包含目标遮挡、形变、快速运动等难点的视频场景时,现有跟踪算法的准确度和鲁棒性还有待提高。本文对目标跟踪领域的发展进行了分析和探讨,并针对现有跟踪算法的缺陷提出了几种可供参考的解决方法。本文的主要研究内容和贡献包括:1)提出了一种结合消失判断的长时目标跟踪系统,解决了传统短时跟踪方法无法判断目标消失状态、在遮挡情况下容易把背景干扰信息引入跟踪模型的问题。该系统基于结构化支持向量机基础模型,把基于对数极坐标转换和混合高斯模型的目标消失判断机制引入了跟踪系统中,在判断目标消失以后,停止跟踪模型和消失判断模型的更新,并采用重检测方法对目标进行扩大搜索和检测。本方法可以在遮挡严重的场景下防止背景干扰信息在跟踪模型中的累积,在遮挡结束以后重新跟踪住目标物体,并成功应用在中兴通讯公司的跨摄像机目标跟踪系统中。2)提出了一种基于图约束核相关滤波和多模板投票的目标跟踪方法。本方法通过图模型模拟目标流形结构,并通过目标流形上的信息传递对训练样本和待检测样本之间的关联进行了挖掘,在经典相关滤波模型的基础上引入流形约束并通过半监督学习方法计算滤波器,提高了相关滤波模型的准确度。同时,为了提高目标特征的表达能力和减少误差信息在目标模板上的累积,这里提出了一种目标模板库的构建和更新方法,模板库会保留跟踪历史上各种不同姿态的目标特征,给每个目标模板设置重要性权重并根据使用频率更新该权重,权重最小的模板会优先被新模板所替换,在跟踪过程中,本方法会自动选择最优的多个模板进行投票,决定目标最终的位置。由于保存了丰富的目标模板和最终的投票机制,本方法可以有效处理目标形变和遮挡严重的情况,提高跟踪算法的准确度和鲁棒性。3)提出了一种基于仿射变换预测的相关滤波目标跟踪方法。针对传统相关滤波模型无法预测除目标位移以外的其他仿射变换的问题,本方法采用从粗到细的跟踪流程,利用长短时记忆网络自动生成相关滤波模型的更新率,用于预测目标的粗糙位移,然后通过一个仿射估计网络来粗糙估计目标当前的姿态变化和位移并进行目标对齐,最后采用对数极坐标变换和相关滤波操作提取与目标仿射变换相关的特征,并通过多层全连接网络来映射得到目标仿射变换参数。本方法把目标跟踪转换为目标仿射变换参数预测问题,相对于传统的基于位移和尺度预测的跟踪方法来说,可以处理更加复杂的目标运动。
孙金萍[3]（2021）在《复杂场景下视频目标跟踪算法研究》文中进行了进一步梳理视频目标跟踪是当前计算机视觉领域的重要研究方向,在人工智能和大数据应用中扮演着重要角色。目标跟踪的任务是根据第一帧中目标的初始状态,对视频序列后续帧中目标状态进行估计和定位。过去几十年里,大量关于目标跟踪的理论和算法相继提出,不断提高了算法性能。但是,当处理实际应用场景下目标跟踪问题时,随时会出现不可预知的干扰因素,影响到算法的效果,给跟踪带来巨大挑战。如何进一步提高目标跟踪算法在目标形变、低照度、背景干扰、快速运动、遮挡、低分辨率等复杂场景下的跟踪性能,并实现算法在实时性和鲁棒性之间的平衡,仍然是一个亟需解决的问题。本文以实现复杂场景下的目标跟踪为研究主线,以生成式模型和判别式模型的相关知识为驱动,在不影响实时性的前提下,以提高算法的准确率、成功率和鲁棒性为目标,设计目标跟踪算法。本文主要的研究工作概括如下:（1）针对传统Camshift算法的目标外观表征模型和重定位策略设计简单,在复杂场景下不能实现有效目标跟踪的问题,以优化目标外观表征模型和提高跟踪精度为目标,提出了一种联合改进局部纹理特征和辅助重定位的生成式跟踪算法。设计基于改进粒子群优化算法并强化邻域像素与中心像素相关性的局部纹理特征提取模式,依据特征贡献度和巴氏距离之间的相关性设计动态加权的多特征融合方案,借助Kalman位置补偿模型,联合多特征收敛的候选区域实现目标最终位置的估计。当跟踪漂移或失败时,有效利用历史跟踪痕迹,研究当前帧和历史目标模板之间的外部相似性以及当前帧候选区域的内部相似性,为目标重定位提供参考。实验结果表明,该算法提高了已有模型的距离准确率和重叠成功率,在跟踪精度方面表现突出。（2）针对相关滤波器处理边界效应问题时,在考虑输入特征相关性和多样性方面存在的不足,以优化滤波器特征选择模型和提高算法成功率为目标,提出了一种基于动态空间正则化和目标显着性引导的相关滤波跟踪算法。从构建空间正则化矩阵的滤波器目标函数入手,结合时序约束对滤波器进行优化求解,并在分析不同特征表征能力和相关滤波响应之间内在相关性的基础上,计算目标跟踪结果。当跟踪漂移或失败时,研究当前帧和前一帧以及第一帧之间的依赖关系,以此作为目标显着性检测的输入引导,获得更优的重检测结果。实验结果表明,该算法提高了已有模型的重叠成功率,在跟踪成功率和实时性方面表现一定的优势。（3）针对单个相关滤波器跟踪模型对背景干扰、低分辨率等复杂场景比较敏感的问题,以优化多传统手工特征交互融合的滤波器数学模型和提高算法准确率为目标,提出了一种多特征耦合和尺度自适应的相关滤波跟踪算法。通过构建多特征耦合滤波器目标函数的方式,利用拉格朗日方法对目标函数进行优化,分别训练两个独立的具有辨别能力的滤波器,根据不同特征贡献度和最大响应值之间的相关性,实现目标位置估计。引入平均峰值相关能量判断滤波响应的震荡程度,联合最大滤波响应值进行目标模型更新,并结合候选区域建议方案,能有效减少跟踪漂移现象。实验结果表明,该算法提高了已有模型的距离准确率。（4）针对传统相关滤波器在建模和目标外观表示等方面存在的不足,以优化滤波器模型的建模方法和提高算法鲁棒性为目标,提出了一种基于分层深度特征的低秩相关滤波跟踪算法。从滤波器的数学建模方式入手,利用套索回归建模方式对目标函数进行设计,学习一个空间稀疏且时序低秩的滤波器。通过分析卷积神经网络不同分层特征表示目标的特点,利用高层特征含有丰富语义信息的优势对目标进行粗粒度定位,再结合低层特征含有丰富位置信息的优势对目标进行精确定位,实现双重互补增强跟踪。实验结果表明,该算法增加了滤波器模型的可解释性和鲁棒性。
杨宇翔[4]（2021）在《基于深度强化学习的目标跟踪算法研究》文中研究表明视觉目标跟踪是计算机领域中的基础研究问题之一,目的是在连续视频序列中对感兴趣目标进行跟踪和标注,并输出感兴趣目标的位置和尺度信息。随着深度学习的快速发展,目标跟踪被广泛应用于智慧交通、无人驾驶、人机交互等领域。因此,目标跟踪具有很好的科学研究和实际应用价值。目前,目标跟踪领域仍然面临巨大的挑战,种类多样的目标以及复杂的跟踪环境,都大大降低了目标跟踪的性能。因此,如何设计出鲁棒的目标跟踪方法能够在复杂环境下进行精准的目标跟踪是当前亟待解决的问题。为了提高复杂环境下目标跟踪算法的鲁棒性,本文基于深度强化学习方法针对目标跟踪中的运动模块、表观模块和更新模块进行了设计与优化,并提出了三种目标跟踪算法。这三种算法分别从扩展目标跟踪动作选择空间、提升跟踪算法对目标判别能力以及跟踪算法更新效率等三个方面进行了研究,提出的跟踪算法能够有效提升复杂环境下的跟踪鲁棒性。本文的主要研究内容和创新如下。（1）针对目标跟踪算法的运动模块,提出了一种基于优化方差下降自适应探索的深度强化学习跟踪算法AEVRNet（Adaptive Exploration Network with Variance Reduced Network）。基于运动模块优化,通过非凸优化和自适应动作探索策略加快算法收敛和扩展动作搜索空间。首先,受到组合置信度上限的启发,设计了一种自适应的探索策略,利用时间和空间知识来进行有效的动作探索并跳出局部最优。其次,将跟踪问题定义为一个非凸问题,将非凸优化引入随机方差下降梯度作为反向传播方法,使得跟踪算法更快收敛,并降低损失值。最后,设计了一个基于回归的动作奖励损失函数,它对目标状态的各个方面更加敏感,能够保留更多目标特征信息。实验结果表明该算法可以有效提升运动模块搜索效率。（2）针对目标跟踪算法的表观模块,提出了一种基于参数空间噪声的实时深度强化学习跟踪算法Noisy OTNet（Noisy Object Tracking Network）。基于表观模块优化,将跟踪问题定义为带有参数空间噪声的深度强化学习问题。首先,设计了一种基于参数噪声的深度确定性策略梯度的噪声网络,可以更好地匹配目标跟踪任务并直接预测跟踪结果。其次,为了进一步提高复杂条件下的跟踪精度,例如目标快速运动和形变情况下,提出了一种自适应更新策略,通过基于上置信度边界算法获取目标时空信息,提高模型更新效率。此外,对于丢失目标的恢复,本文设计了一种基于增量学习的重定位算法。最终,提升跟踪算法的探索能力,并且能够有效应对复杂环境的干扰。实验结果表明该算法可以有效提升表观模块对于目标与背景的判别能力。（3）针对目标跟踪算法的更新模块,提出了一种基于多任务多模型的深度强化学习跟踪算法STKTMM（Student-Teacher Knowledge Transfer Based Multi-Task Multi-Model Tracker）。基于更新模块优化,利用特定任务的领域知识提高基于不同任务的模型跟踪性能。设计不同教师模型分别基于对应任务进行离线训练,特定任务的教师模型在相应的任务上指导在线跟踪的学生模型,提高学生模型对当跟踪目标的判别能力。此外,设计了一个多缓冲区策略,防止学生跟踪器在学习新知识时遗忘旧知识。最后,提出了一种基于知识迁移的自适应在线跟踪模型更新方法,使用教师模型和在线学生模型的网络参数共同更新在线学生模型,提升学生模型更新效率。实验结果表明该算法可以有效提升更新模块更新效率。
惠凯迪[5]（2021）在《基于KCF的目标跟踪改进方法研究》文中进行了进一步梳理目标跟踪技术在智慧工厂和安防系统建设中具有重要作用,但运动过程中的光照变化、背景杂波以及目标遮挡和自身的尺度变化等因素都会影响跟踪的准确性。因此,研究在复杂场景中实时准确的目标跟踪方法具有重要的学术研究意义和实际工程应用价值。核相关滤波（kernelized correlation filter,KCF）算法是目前最具代表性的一种实时传统目标跟踪算法,但该算法存在两个问题,其一是缺乏目标跟踪丢失判断机制,在目标离开视场或丢失后跟踪器毫无知觉地继续跟踪错误目标,导致跟踪不稳定;其二是采用当前帧的目标特征对模板进行线性更新,在当前帧目标特征混入背景信息时会导致模板在一定程度上出现漂移从而造成后续的跟踪错误。为了解决KCF算法中的跟踪不稳定问题,本文提出了一种基于三元组网络的目标丢失判断机制,利用Faster R-CNN检测器的目标检测结果、KCF跟踪结果和模板之间的相似度确认跟踪目标,该机制结合检测器提升了跟踪器的稳定性。为了解决KCF算法中目标模板漂移问题,本文提出了一种基于增量学习的目标模板更新算法,对目标的历史特征利用增量核主成分分析（incremental kernel principal component analysis,IKPCA）提取显着特征,采用降集（Reduced Set,RS）扩展技术对增量学习后的目标特征进行压缩实现恒定速度的模板更新。该算法不仅利用目标的历史显着特征防止了模板漂移并且实现了模板更新速度的不变性。为了验证本文方法的有效性,在公开的目标跟踪数据集TC-128和OTB上进行了广泛的实验验证。实验结果表明,本文方法在TC-128数据集上选取的四个序列上的平均成功率和平均准确率分别为94.8%,97.3%,与经典的KCF跟踪方法相比,本文方法的成功率和准确率分别提高了 49.0%和40.1%;在OTB数据集的11个挑战因子上的视频实验结果表明,相对KCF算法,本文算法的平均成功率和平均准确率分别提高了 25.7%和26.0%。相对近几年先进的跟踪算法TLD,DCF,OCT-KCF以及SiameseFC等,本文方法也取得了竞争性的结果。实验结果证明本文提出的改进的KCF目标跟踪算法具有很高的跟踪准确率和成功率。本文方法可以应用在智慧工厂和安防系统中。
叶秋笛[6]（2021）在《基于深度学习的抗背景干扰目标跟踪算法研究》文中研究指明
屈田田[7]（2021）在《基于判别式分类器的视频目标跟踪算法研究》文中进行了进一步梳理目标跟踪是计算机视觉领域中的一个重要研究方向,已广泛应用在城市视频监控、城市智能交通、移动机器人目标跟踪、无人机飞行、虚拟现实和医学检测等多个研究领域。在实际应用中,常常出现目标遮挡、运动模糊、背景与目标相似、背景杂乱等情况,这些情况对跟踪算法的性能提出了很大的挑战。基于判别式分类器的目标跟踪算法因其效率高、效果佳的优势逐渐成为目标跟踪领域的主流研究方向,基于此,本文对基于判别式分类器的目标跟踪算法进行了深入的研究,主要工作和研究内容如下:（1）系统全面的从生成式和判别式两个方面对目标跟踪的研究现状作了概述,然后对目前主流且典型的两种基于判别模型的跟踪算法-相关滤波和深度学习进行了深入分析,最后从算法的鲁棒性和适用性等多个角度指出现有的生成式和判别式方法的不足之处。（2）针对目标跟踪任务中目标跟踪鲁棒性较差的问题,本文提出了一种改进的基于相关滤波的判别式目标跟踪算法。首先通过分析深度神经网络中不同卷积层提取的特征差异,对不同层的特征在不同属性下的跟踪性能进行比较;然后将不同分辨率的卷积特征通过双线性插值进行融合,以此来作为跟踪过程中的特征表示;最后在传统相关滤波跟踪算法的框架下设计了多分辨率卷积特征融合的目标跟踪算法,以此来提高跟踪精度。实验采用OTB50跟踪数据集对改进算法进行评测,实验结果表明,本文算法相比核相关滤波算法（KCF）和基于分层卷积特征算法（CF2）表现出更强的鲁棒性,能够适应目标发生低分辨率、超出视野范围、快速运动和运动模糊等复杂情况。（3）针对目标跟踪在不同的应用场景下对跟踪精度和跟踪速度的要求不同,以研究的基于判别式分类器的跟踪算法为对象,选取了六种经典且具有代表性的算法从跟踪速度和跟踪精确度两个方面进行了基于属性的判别式目标跟踪算法性能比较分析。实验结果给出了算法在OTB50数据集中不同挑战属性的视频中跟踪性能的对比,并对这些算法从跟踪精确度和跟踪速度这两个方面进行了全面深入的比较分析和总结。实验的结果可以作为基于属性的判别式视频目标跟踪算法的优化参考,以此为用户根据具体的实际应用场景条件的差异,在不同场合下选择合理高效的跟踪算法提供选择依据。
刘旺[8]（2021）在《基于大疆妙算平台的目标跟踪算法实验研究》文中指出
马彦军[9]（2021）在《面向电力视觉技术应用的目标跟踪算法研究》文中指出随着人工智能的快速发展和广泛应用,电力行业与人工智能技术、计算机视觉技术的紧密结合将极大促进电力系统领域的技术革新。电力视觉技术是将数字图像处理、机器学习、模式识别、大数据分析等技术与电力领域的专业知识相结合,解决电力领域视觉应用问题的电力人工智能技术,将有利于推动电力系统的安全运行与可靠发展。近年来,电力应用场景的复杂性对电力视觉技术中目标跟踪的可靠性和高效性提出了严峻挑战。在实际应用中,目标跟踪算法主要解决两个关键问题:一是要满足工程应用中对实时性的需求;二是能有效抑制外界环境干扰和目标本身变化对跟踪性能的影响。因此,设计实时性好、鲁棒性强的电力视觉目标跟踪算法仍然是亟待解决的难题,具有重要的理论研究价值和工程应用价值。相关滤波跟踪算法具有实时性好、易于实现等特点,广泛应用于智能监控、无人驾驶和电力巡检等领域。现有相关滤波算法主要存在以下问题:一是面临实际复杂环境时容易出现跟踪漂移或跟踪失败;二是日渐复杂的跟踪模型导致参数庞大、过拟合和实时性差等问题。因此,本论文从样本优化和评估学习两个角度出发,在保证实时性的前提下有效提升现有相关滤波算法的鲁棒性和准确性。论文的主要工作如下:（1）针对相关滤波跟踪算法中训练样本污染容易导致模型漂移和目标丢失等问题,在SRDCFDecon算法基础上,提出了基于峰值旁瓣比样本优化的相关滤波跟踪算法。建立了样本污染特征、滤波器响应图和跟踪结果之间的内在联系,研究了样本分类机制和参数动态更新策略。通过样本分类阈值将训练样本划分为反映不同污染程度的样本集,并分别训练出对应各类样本集的滤波器;根据峰值旁瓣比动态更新特定样本集的样本权值及其滤波器参数;最后对各类样本集的相关滤波器进行加权融合实现目标跟踪。与SRDCFDecon算法相比,论文所提出的算法不仅减小了样本集的容量,而且提高了原跟踪算法的准确性和实时性。（2）为了解决实际跟踪环境中诸多干扰因素（如形变、遮挡和背景杂波等）容易导致跟踪失败的问题,在ASRCF滤波器的基础上,提出了一种基于置信度评估学习的相关滤波跟踪算法（ESASRCF）。首先,建立了结合目标客观相似度、运动的平滑度和重合度的置信度评估模型;然后,研究了基于评估模型的滤波器模板漂移失效判定原则以及滤波器参数更新的方法;最后,引入高斯混合模型来构建和管理样本集,以便跟踪失败后准确恢复滤波器模板。与原跟踪算法相比,论文所提出的算法在满足实时性要求的前提下进一步提升了跟踪准确性与鲁棒性。（3）为了检验实际电力应用场景下论文所提出的目标跟踪算法性能,通过图像传感器采集电力场景数据,自建了面向电力应用场景的目标跟踪数据集,并在该数据集上验证了ESASRCF算法的有效性。最后,从工程应用角度出发,在QT平台上开发出了基于相关滤波跟踪算法的跟踪测试软件,便于实际工程应用中进行数据采集和目标跟踪。
谢煜[10]（2021）在《基于相关滤波的运动目标跟踪算法研究》文中研究指明
二、对地目标相关跟踪算法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、对地目标相关跟踪算法研究（论文提纲范文）
（1）基于核学习的运动目标跟踪算法综述（论文提纲范文）
| 0 引 言 |
| 1 核映射思想 |
| 2 核学习运动目标跟踪 |
| 2.1 目标检测 |
| 2.1.1 KPCA算法 |
| 2.1.2 KFLD算法 |
| 2.1.3 KICA算法 |
| 2.2 生成式跟踪 |
| 2.2.1 均值漂移算法原理 |
| (1) 初始帧的目标模型 |
| (2) 第N帧模型 |
| (3) 相似性函数 |
| (4) MS向量 |
| 2.2.2 研究进展 |
| 2.3 判别式跟踪 |
| 2.3.1 核函数循环检测跟踪算法 |
| 2.3.2 核相关算法 |
| (1) 岭回归 |
| (2) 循环矩阵 |
| (3) 核相关滤波器 |
| (4) 目标快速检测 |
| 2.3.3 研究进展 |
| 3 多核学习 |
| 3.1 合成核方法 |
| 3.2 多尺度核方法 |
| 3.3 无限核方法 |
| 4 发展趋势展望 |
| (1) 降低跟踪模型的依赖性 |
| (2) 提高特征提取的准确性 |
| (3) 提高基核设计的均衡性 |
| (4) 提高环境变化的适应性 |
| (5) 提高稳定跟踪的持久性 |
| (6) 注重方法结构的继承性 |
| (7) 注重探测方法的兼容性 |
| 5 结 束 语 |
（2）视觉单目标跟踪算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.2 视觉目标跟踪问题 |
| 1.2.1 定义 |
| 1.2.2 难点及挑战 |
| 1.3 国内外研究现状 |
| 1.4 常用数据库及评价指标 |
| 1.4.1 常用数据库 |
| 1.4.2 常用评价指标 |
| 1.5 本文的研究内容及贡献 |
| 1.6 本文的组织结构 |
| 2 目标跟踪综述 |
| 2.1 跟踪流程框架和组成 |
| 2.2 跟踪方法分类 |
| 2.3 特征表达 |
| 2.3.1 传统特征 |
| 2.3.2 深度学习特征 |
| 2.4 跟踪模型 |
| 2.4.1 传统方法 |
| 2.4.2 深度学习方法 |
| 2.5 搜索策略 |
| 3 结合消失判断的长时目标跟踪 |
| 3.1 引言 |
| 3.2 算法原理 |
| 3.2.1 算法框架及思路 |
| 3.2.2 基础跟踪模型 |
| 3.2.3 基于对数极坐标变换的目标消失判断 |
| 3.2.4 目标重检测 |
| 3.3 实验结果 |
| 3.3.1 实验设置 |
| 3.3.2 超参数影响测试 |
| 3.3.3 当时相关SOTA算法对比 |
| 3.3.4 跟踪结果分析 |
| 3.4 总结 |
| 4 基于图约束核相关滤波和多模板投票的目标跟踪 |
| 4.1 引言 |
| 4.2 算法原理 |
| 4.2.1 算法框架及思路 |
| 4.2.2 图约束核相关滤波 |
| 4.2.3 基于块循环矩阵的优化算法 |
| 4.2.4 多模板投票机制 |
| 4.2.5 尺度预测 |
| 4.3 实验结果 |
| 4.3.1 实验设置 |
| 4.3.2 严重遮挡下的目标偏移处理 |
| 4.3.3 基准比较 |
| 4.3.4 当时相关SOTA算法对比 |
| 4.3.5 定性分析 |
| 4.4 总结 |
| 5 基于仿射变换预测的相关滤波目标跟踪 |
| 5.1 引言 |
| 5.2 算法原理 |
| 5.2.1 算法框架及思路 |
| 5.2.2 粗糙位移预测 |
| 5.2.3 仿射变换预测 |
| 5.2.4 离线训练 |
| 5.2.5 在线跟踪 |
| 5.3 实验结果 |
| 5.3.1 实验设置 |
| 5.3.2 模型简化测试 |
| 5.3.3 相关滤波SOTA方法对比 |
| 5.3.4 其他SOTA算法对比 |
| 5.3.5 算法速度对比 |
| 5.3.6 定性分析 |
| 5.4 总结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间主要的研究成果 |
（3）复杂场景下视频目标跟踪算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究范畴 |
| 1.3 国内外研究现状 |
| 1.4 目标跟踪测试集及评价指标 |
| 1.5 目标跟踪面临的挑战 |
| 1.6 研究存在的问题 |
| 1.7 研究内容 |
| 1.8 本文结构 |
| 2 联合改进局部纹理特征和辅助重定位的生成式跟踪算法 |
| 2.1 研究动机 |
| 2.2 整体框架 |
| 2.3 联合改进局部纹理特征和辅助重定位的跟踪算法 |
| 2.4 实验结果分析及讨论 |
| 2.5 本章小结 |
| 3 基于动态空间正则化和目标显着性引导的相关滤波跟踪算法 |
| 3.1 研究动机 |
| 3.2 整体框架 |
| 3.3 空间正则化和目标显着性引导的相关滤波跟踪算法 |
| 3.4 实验结果分析及讨论 |
| 3.5 本章小结 |
| 4 基于多特征耦合和尺度自适应的相关滤波跟踪算法 |
| 4.1 研究动机 |
| 4.2 整体框架 |
| 4.3 多特征耦合和尺度自适应的相关滤波跟踪算法 |
| 4.4 实验结果分析及讨论 |
| 4.5 本章小结 |
| 5 基于分层深度特征的低秩相关滤波跟踪算法 |
| 5.1 研究动机 |
| 5.2 整体框架 |
| 5.3 分层深度特征和低秩相关滤波的跟踪模型 |
| 5.4 实验结果分析及讨论 |
| 5.5 各章算法的比较与分析 |
| 5.6 本章小结 |
| 6 结论 |
| 6.1 本文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于深度强化学习的目标跟踪算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于相关滤波器的目标跟踪算法 |
| 1.2.2 基于深度学习的目标跟踪算法 |
| 1.2.3 基于深度强化学习的目标跟踪算法 |
| 1.3 目标跟踪面临的挑战 |
| 1.4 论文的主要工作 |
| 1.5 论文的结构安排 |
| 2 目标跟踪理论基础 |
| 2.1 单目标跟踪流程 |
| 2.2 深度强化学习 |
| 2.3 目标跟踪训练与测试数据集 |
| 2.4 目标跟踪性能评价 |
| 2.4.1 跟踪速度评价 |
| 2.4.2 跟踪精确性评价 |
| 2.4.3 跟踪成功率评价 |
| 2.4.4 跟踪鲁棒性评价 |
| 2.5 本章小结 |
| 3 基于优化方差下降的自适应探索深度强化学习跟踪方法 |
| 3.1 引言 |
| 3.2 优化方差下降自适应探索深度强化学习算法 |
| 3.2.1 基于优化方差下降的网络梯度更新策略 |
| 3.2.2 基于CUCB的自适应动作探索策略 |
| 3.2.3 基于回归的动作奖励损失函数 |
| 3.2.4 跟踪算法流程设计 |
| 3.3 实验与结果分析 |
| 3.3.1 实验设置 |
| 3.3.2 定量分析实验 |
| 3.3.3 定性分析实验 |
| 3.3.4 消融实验 |
| 3.3.5 其他数据集实验结果 |
| 3.4 本章小结 |
| 4 基于参数空间噪声的深度强化学习目标跟踪方法 |
| 4.1 引言 |
| 4.2 参数空间噪声深度强化学习目标跟踪算法 |
| 4.2.1 基于参数空间噪声深度强化学习网络模型 |
| 4.2.2 基于UCB时空特征的自适应模型更新策略 |
| 4.2.3 基于增强学习的目标重定位方法 |
| 4.2.4 跟踪算法流程设计 |
| 4.3 实验与结果分析 |
| 4.3.1 实验设置 |
| 4.3.2 定量分析实验 |
| 4.3.3 定性分析实验 |
| 4.3.4 消融实验 |
| 4.3.5 其他数据集实验结果 |
| 4.4 本章小结 |
| 5 基于多任务多模型迁移学习的深度强化学习跟踪方法 |
| 5.1 引言 |
| 5.2 多任务多模型迁移学习的深度强化学习跟踪算法 |
| 5.2.1 多任务多模型网络框架 |
| 5.2.2 多缓冲区存储策略 |
| 5.2.3 基于学生-教师知识迁移跟踪 |
| 5.2.4 跟踪算法流程设计 |
| 5.3 实验与结果分析 |
| 5.3.1 实验设置 |
| 5.3.2 定量分析实验 |
| 5.3.3 定性分析实验 |
| 5.3.4 消融实验 |
| 5.3.5 其他数据集实验结果 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于KCF的目标跟踪改进方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 2 目标跟踪相关技术介绍 |
| 2.1 基于深度学习的目标跟踪算法 |
| 2.2 基于相关滤波的目标跟踪算法 |
| 2.3 本章小结 |
| 3 基于三元组网络的目标跟踪稳定性算法研究 |
| 3.1 核相关滤波目标跟踪算法 |
| 3.1.1 算法步骤 |
| 3.1.2 算法分析 |
| 3.2 基于三元组网络的目标跟踪稳定性算法框架 |
| 3.3 基于Faster R-CNN的目标检测 |
| 3.4 基于三元组网络的目标确认 |
| 3.4.1 三元组网络结构 |
| 3.4.2 网络训练 |
| 3.4.3 目标确认及模板更新 |
| 3.5 本章实验结果对比 |
| 3.6 本章小结 |
| 4 基于增量学习的目标模板更新算法研究 |
| 4.1 基于增量学习的目标模板更新算法框架 |
| 4.2 核主成分分析 |
| 4.3 增量核主成分分析 |
| 4.4 RS扩展与模板更新 |
| 4.5 本章实验结果对比 |
| 4.6 本章小结 |
| 5 实验结果及分析 |
| 5.1 改进的核相关滤波目标跟踪算法框架 |
| 5.2 改进的核相关滤波目标跟踪算法流程 |
| 5.3 数据集和实验环境 |
| 5.4 评价指标 |
| 5.5 主观结果与分析 |
| 5.6 客观结果与分析 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（7）基于判别式分类器的视频目标跟踪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于生成式模型的跟踪算法 |
| 1.2.2 基于判别式模型的跟踪算法 |
| 1.3 本文主要研究内容及章节安排 |
| 2 基于判别式分类器的视频目标跟踪 |
| 2.1 目标跟踪流程 |
| 2.2 数据集 |
| 2.3 评价准则 |
| 2.3.1 跟踪精度 |
| 2.3.2 跟踪速度 |
| 2.3.3 跟踪鲁棒性 |
| 2.4 难点与挑战 |
| 2.5 本章小结 |
| 3 基于相关滤波的判别式目标跟踪算法 |
| 3.1 引言 |
| 3.2 VGG-Net-19 网络的分层卷积特征 |
| 3.2.1 VGG-Net-19 网络介绍 |
| 3.2.2 不同分辨率的卷积特征 |
| 3.3 相关滤波目标跟踪 |
| 3.3.1 线性岭回归模型 |
| 3.3.2 循环矩阵 |
| 3.3.3 快速检测 |
| 3.4 结合不同分辨率卷积特征的相关滤波跟踪算法 |
| 3.4.1 卷积特征与相关滤波结合 |
| 3.4.2 位置估计 |
| 3.4.3 模型更新 |
| 3.4.4 算法流程 |
| 3.5 实验分析 |
| 3.5.1 定性分析 |
| 3.5.2 定量分析 |
| 3.6 本章小结 |
| 4 基于属性的判别式目标跟踪算法性能比较分析 |
| 4.1 引言 |
| 4.2 算法介绍 |
| 4.2.1 改进的相关滤波类目标跟踪算法 |
| 4.2.2 改进的深度学习类目标跟踪算法 |
| 4.3 基于属性的判别式目标跟踪算法性能比较分析 |
| 4.3.1 跟踪精确度与成功率 |
| 4.3.2 跟踪速度 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（9）面向电力视觉技术应用的目标跟踪算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力视觉跟踪技术的研究现状 |
| 1.2.2 目标跟踪算法的研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 2 视觉跟踪技术相关理论 |
| 2.1 引言 |
| 2.2 相关滤波原理 |
| 2.2.1 相关与卷积 |
| 2.2.2 岭回归模型 |
| 2.3 特征表示 |
| 2.3.1 HOG特征 |
| 2.3.2 深度特征 |
| 2.4 常用目标跟踪数据集 |
| 2.5 跟踪性能评价标准 |
| 2.5.1 OTB评估指标 |
| 2.5.2 VOT评估指标 |
| 2.6 本章小结 |
| 3 基于样本优化的相关滤波跟踪算法 |
| 3.1 引言 |
| 3.2 SRDCFDecon跟踪算法 |
| 3.3 基于PSR样本优化的相关滤波跟踪算法 |
| 3.3.1 响应图特性分析 |
| 3.3.2 样本分类机制 |
| 3.3.3 动态更新策略 |
| 3.3.4 算法实现流程 |
| 3.4 实验与分析 |
| 3.4.1 实验环境及参数 |
| 3.4.2 样本去污能力评估 |
| 3.4.3 定量评估 |
| 3.4.4 定性分析 |
| 3.5 本章小结 |
| 4 基于评估学习的相关滤波跟踪算法 |
| 4.1 引言 |
| 4.2 自适应空间加权相关滤波跟踪算法 |
| 4.3 基于评估学习的相关滤波跟踪算法 |
| 4.3.1 多维度置信度评估 |
| 4.3.2 模板失效判别及恢复机制 |
| 4.3.3 模型更新方法 |
| 4.3.4 算法描述 |
| 4.4 实验与分析 |
| 4.4.1 实验环境及其参数 |
| 4.4.2 评估模型有效性验证 |
| 4.4.3 消融实验与分析 |
| 4.4.4 ESASRCF与ASRCFHC对比分析 |
| 4.4.5 ESASRCF与主流跟踪算法的客观对比 |
| 4.4.6 ESASRCF与主流跟踪算法的主观对比 |
| 4.5 本章小节 |
| 5 面向电力视觉场景的技术应用研究 |
| 5.1 前言 |
| 5.2 PVDS电力场景数据集 |
| 5.3 自建PVDS数据集测试 |
| 5.3.1 鲁棒性与时间性能对比分析 |
| 5.3.2 主观效果对比分析 |
| 5.4 基于相关滤波算法的目标跟踪软件系统 |
| 5.4.1 CFTS系统功能结构 |
| 5.4.2 CFTS系统跟踪功能 |
| 5.5 本章小节 |
| 6 总结与展望 |
| 6.1 内容总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
四、对地目标相关跟踪算法研究（论文参考文献）
- [1]基于核学习的运动目标跟踪算法综述[J]. 娄佳欣,李元凯,王媛,徐琰珂. 航空兵器, 2021(05)
- [2]视觉单目标跟踪算法研究[D]. 郑伟伟. 浙江大学, 2021(01)
- [3]复杂场景下视频目标跟踪算法研究[D]. 孙金萍. 中国矿业大学, 2021
- [4]基于深度强化学习的目标跟踪算法研究[D]. 杨宇翔. 北京交通大学, 2021
- [5]基于KCF的目标跟踪改进方法研究[D]. 惠凯迪. 西安理工大学, 2021(01)
- [6]基于深度学习的抗背景干扰目标跟踪算法研究[D]. 叶秋笛. 新疆大学, 2021
- [7]基于判别式分类器的视频目标跟踪算法研究[D]. 屈田田. 西安理工大学, 2021(01)
- [8]基于大疆妙算平台的目标跟踪算法实验研究[D]. 刘旺. 燕山大学, 2021
- [9]面向电力视觉技术应用的目标跟踪算法研究[D]. 马彦军. 西安理工大学, 2021(01)
- [10]基于相关滤波的运动目标跟踪算法研究[D]. 谢煜. 重庆邮电大学, 2021