ELM與Mean Shift相結合的抗遮擋目標跟蹤算法研究.pdf

1、得益于科學技術尤其是計算機技術的飛速發(fā)展，機器視覺成為當前科學研究中最有挑戰(zhàn)性的熱門課題之一。作為機器視覺的一個重要分支，目標跟蹤在國防軍事、智能交通和生活安防等眾多領域得到廣泛的應用。目標跟蹤即利用圖像識別技術根據(jù)目標區(qū)別于背景的特征將目標從圖像中自動識別出來并進行定位。在實際的目標跟蹤過程中，由于目標特征的多樣性、運動速度的不確定性和跟蹤背景的復雜性等因素的影響，往往無法精確跟蹤目標，導致跟蹤失敗。尤其是目標跟蹤場景越來越趨于復雜化

2、，針對單一化背景的跟蹤技術已經(jīng)無法滿足現(xiàn)實需求，這對跟蹤技術的應用推廣和普及造成了很大掣肘。因此，提高系統(tǒng)的穩(wěn)定性和實時性，對其推廣應用意義重大。
　　理論上可以從硬件和軟件兩方面提高跟蹤系統(tǒng)的性能，如硬件方面可以采用更高性能的處理器，軟件方面可以對目標跟蹤算法進行改進。由于核心技術瓶頸和成本問題，通過革新硬件提高跟蹤系統(tǒng)性能在現(xiàn)實中受到諸多限制，短時間內(nèi)很難在眾多領域普及應用，而通過改進和優(yōu)化軟件的方法提高系統(tǒng)的穩(wěn)定性和實時性具

3、有涉及范圍小、易于實現(xiàn)的優(yōu)勢。
　　在實際目標跟蹤過程中，遮擋問題是不可避免且對算法實用性限制較為嚴重的問題。隨著運動目標被遮擋部分逐漸變化，其特征會發(fā)生不同程度的變化，容易導致目標跟蹤失敗。另外，當目標運動速度過高時，由于算法的復雜度不同，會導致跟蹤出現(xiàn)一定程度的滯后和偏差。
　　本文主要研究目標跟蹤算法中對遮擋問題的解決方法。首先介紹了各種傳統(tǒng)目標跟蹤算法的原理和方法，對應用較為廣泛的Mean Shift算法進行了深入分

4、析并引出了幾種基于Mean Shift的改進算法，且進行了仿真實驗分析。
　　通過對現(xiàn)有的目標跟蹤算法進行研究，提出了引入神經(jīng)網(wǎng)絡進行位置預測的方法。通過對幾種神經(jīng)網(wǎng)絡的比較，選擇了極限學習機(ELM)進行位置預測。極限學習機結構簡單且學習能力和速度都強于傳統(tǒng)神經(jīng)網(wǎng)絡，具有很大優(yōu)勢。本文基于此提出ELM與Mean Shift相結合的抗遮擋目標跟蹤算法。
　　該算法借助于ELM根據(jù)過去3個時刻目標的位置信息預測出目標在下一幀的