基于相關濾波器的目標跟蹤算法是視覺分析領域中最火熱的子方向之一,在安防、機器人、自動駕駛、智能交通等多個行業(yè)有著可觀的前景和實用價值。但是受限于相關濾波器內在的邊界效應、高風險的更新策略以及在線訓練存在的穩(wěn)定性-可塑性窘境,單一的相關濾波器在許多情況下都無法滿足實際應用的需求。因此,本文重點研究通過多分類器融合的方式來解決相關濾波器的缺陷以實現(xiàn)在多種復雜情況下對目標的準確跟蹤。標準的相關濾波器由于使用循環(huán)樣本訓練嶺回歸分類器產(chǎn)生了內在的邊界效應。針對相關濾波器的邊界效應,本文利用顏色直方圖特征對變形與分辨率不敏感的優(yōu)點,構建一個基于顏色直方圖的貝葉斯分類器以準確跟蹤低分辨率、快速變形等場景下的目標,并通過集成學習的方式在相關濾波器的基礎上加權集成貝葉斯分類器,通過優(yōu)勢互補的方式緩解邊界效應的負面影響。隨后著眼于缺乏顏色信息的灰度視頻序列,提出了一種基于局部敏感直方圖的貝葉斯分類器。最后提出了一種高置信度更新策略以防止貝葉斯分類器與相關濾波器的模型學習腐壞樣本而導致漂移。定量和定性的實驗證明,本文所提出的解決方法均在不同程度上提升了跟蹤算法的性能�，F(xiàn)有的相關濾波器與貝葉斯分類器因為在線更新而存在的穩(wěn)定性-可塑性窘境以及為快速適應目標的變化而使用的高風險更新策略,導致目標遭遇嚴重遮擋與移出視野等跟蹤場景后,跟蹤模型將快速漂移。針對在線分類器的高風險更新策略,本文根據(jù)在線分類器的響應峰值與其歷史均值的關系,通過提升優(yōu)質樣本的權重,降低劣質樣本的權重來提高分類器的性能,提出一個隨樣本質量自適應調整的學習率模型。最后為解決在線更新存在的穩(wěn)定性-可塑性窘境,本文通過將基礎跟蹤算法與在線軟間隔支持向量機共同組成重檢測模塊提出了一種輔助重檢測方法。經(jīng)過大量的實驗驗證,本文所提出的基于多分類器融合的長期目標跟蹤算法在目標遭遇快速運動、嚴重遮擋、移出視野等情況時,均能可靠準確地跟蹤目標。
【學位單位】：中國科學院大學(中國科學院長春光學精密機械與物理研究所)
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;TP18;TN713
【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 相關濾波器類目標跟蹤算法
        1.2.2 卷積神經(jīng)網(wǎng)絡類目標跟蹤算法
    1.3 本文的研究內容及章節(jié)安排
第2章 相關濾波器理論
    2.1 引言
    2.2 相關濾波器
        2.2.1 圖像特征
        2.2.2 嶺回歸
        2.2.3 循環(huán)矩陣與密集采樣
        2.2.4 余弦窗
        2.2.5 核技巧
        2.2.6 模型更新
    2.3 尺度相關濾波器
    2.4 本章小結
第3章 基于融合的目標跟蹤算法
    3.1 引言
    3.2 貝葉斯分類器
        3.2.1 貝葉斯決策理論
        3.2.2 貝葉斯分類器
    3.3 局部敏感直方圖
    3.4 分類器融合
    3.5 高置信度更新策略
    3.6 實驗結果和分析
        3.6.1 評價標準
        3.6.2 組件分析
        3.6.3 對比實驗
        3.6.4 定性分析
    3.7 本章小結
第4章 基于多分類器融合的長期目標跟蹤算法
    4.1 引言
    4.2 基于多分類器融合的長期目標跟蹤算法
        4.2.1 長期跟蹤概述
        4.2.2 基礎跟蹤算法
        4.2.3 自適應學習率
        4.2.4 在線支持向量機
        4.2.5 輔助重檢測
    4.3 快速尺度相關濾波器
        4.3.1 主成分分析
        4.3.2 快速尺度相關濾波器
    4.4 實驗結果和分析
        4.4.1 組件分析
        4.4.2 對比實驗
        4.4.3 定性分析
    4.5 本章小結
第5章 總結與展望
    5.1 論文總結
    5.2 研究展望
參考文獻
致謝
作者簡歷及攻讀學位期間發(fā)表的學術論文與研究成果

【相似文獻】

相關期刊論文 前10條

1 李敏;李華;程茂華;;一種自適應子融合集成多分類器方法[J];計算機測量與控制;2019年04期

2 黎平;劉萍;張巡;范郁鋒;;基于分類器的身份證號碼識別研究[J];貴州科學;2018年01期

3 王忠民;王科;賀炎;;一種基于多分類器融合的人體運動行為識別模型[J];計算機科學;2016年12期

4 鄒洪俠;陶碩;;一種代價敏感的三類分類器評估方法的研究與應用[J];通化師范學院學報;2017年08期

5 牛明昂;王強;崔希民;趙康年;柴鵬輝;;多分類器融合與單分類器影像分類比較研究[J];礦山測量;2016年04期

6 趙藝淞;王保云;黎曉路;王婷;;基于多分類器組合的城市不透水面提取研究[J];城市地理;2017年04期

7 何舒煒;;《垃圾分類器》[J];輔導員;2016年11期

8 李健蘋;游中勝;;一種新的多分類器融合方法[J];西南師范大學學報(自然科學版);2014年01期

9 蘭遠東;曾樹洪;;動態(tài)加權投票的多分類器聚合[J];現(xiàn)代計算機(專業(yè)版);2014年05期

10 林煜明;朱濤;王曉玲;周傲英;;面向用戶觀點分析的多分類器集成和優(yōu)化技術[J];計算機學報;2013年08期

相關博士學位論文 前10條

1 孫宸;PolSAR圖像大間隔學習分類器設計及應用[D];西安電子科技大學;2017年

2 于愛華;基于壓縮感知人臉識別技術的研究[D];浙江工業(yè)大學;2017年

3 雷浩川;多分類器集成的遙感影像分類研究[D];中國地質大學(北京);2018年

4 馮曉東;基于軟概率的分類器動態(tài)集成方法研究[D];重慶大學;2018年

5 陳木生;基于欠采樣和不平衡集成分類的垃圾網(wǎng)頁檢測研究[D];南昌大學;2018年

6 陳海霞;面向數(shù)據(jù)挖掘的分類器集成研究[D];吉林大學;2006年

7 王衛(wèi)東;高維小樣本數(shù)據(jù)的特征提取及分類器算法研究[D];南京理工大學;2007年

8 劉杰;乘員類型的自動識別及其在智能乘員約束系統(tǒng)中的應用[D];吉林大學;2007年

9 吳尉林;可移植的穩(wěn)健口語理解方法研究[D];上海交通大學;2007年

10 章軍;小生境粒子群優(yōu)化算法及其在多分類器集成中的應用研究[D];中國科學技術大學;2007年

相關碩士學位論文 前10條

1 戴偉聰;基于多分類器融合的長期目標跟蹤算法研究[D];中國科學院大學(中國科學院長春光學精密機械與物理研究所);2019年

2 張婕;基于級聯(lián)多分類器融合的宮頸癌細胞識別技術的研究[D];哈爾濱理工大學;2019年

3 孫帥;廣播頻段頻譜信號處理的機器學習算法研究[D];武漢理工大學;2018年

4 張中巖;基于集成分類器的微傅情感分類研究[D];廈門大學;2017年

5 朱欣怡;離散屬性貝葉斯網(wǎng)絡分類器的研究[D];山東師范大學;2018年

6 郝振華;基于視頻監(jiān)控的室內智能火災檢測技術研究[D];長安大學;2018年

7 李小虎;連續(xù)屬性貝葉斯網(wǎng)絡分類器的學習與研究[D];山東師范大學;2018年

8 后方帥;基于單音的西洋樂器音色識別方法研究[D];山東大學;2018年

9 李經(jīng)善;基于低秩分解的分類算法設計與實現(xiàn)[D];揚州大學;2018年

10 孫銘;基于多分類器的不完整數(shù)據(jù)的分類關鍵技術研究[D];哈爾濱工業(yè)大學;2018年

本文編號：2873852