目標跟蹤技術(shù)已經(jīng)在軍事安全、軌跡動態(tài)分析、場景識別等領(lǐng)域取得了一定的成就。其核心思想是利用模型學習連續(xù)視頻的第一幀的信息,然后在接下來的復(fù)雜連續(xù)幀中識別并定位目標。相關(guān)濾波算法利用輸入樣本和理想高斯加權(quán)響應(yīng)組成的嶺回歸模型來擬合最佳目標模板。由于循環(huán)移位操作在邊界位置的周期性重復(fù)、目標外觀的劇烈變化和目標背景不隨時間建模,導(dǎo)致目標跟蹤模型性能下降�，F(xiàn)有很多方法可用來提高模型的精度和速度,比如多通道特征、核化濾波器、尺度自適應(yīng)及統(tǒng)計學習方法等。這些方法雖然取得了一定成功,但是目標跟蹤所面臨的視頻屬性挑戰(zhàn)仍然不能得到很好的解決。因此本文圍繞改進目標跟蹤模型的性能表現(xiàn)和速度進行研究,有效結(jié)合機器學習中的優(yōu)化方法,從理論上證明了改進模型的可行性,并用大量實驗驗證了改進模型的價值。本文主要研究內(nèi)容如下:（1）基于L2正則的方法已經(jīng)實現(xiàn)了輸入樣本和理想高斯響應(yīng)之間的濾波器系數(shù)的最佳擬合。為提升模型在遭遇目標外觀劇烈變化時的魯棒性,本文引入了濾波器系數(shù)的L1正則。L1正則化有助于生成一個稀疏權(quán)值矩陣,進而可以用于特征選擇,表示只有少數(shù)特征對這個模型有貢獻,絕大部分特征是沒有太大意義的,此時模型只需要... 

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 引言
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 目標跟蹤模型研究現(xiàn)狀
        1.2.2 評估工具
    1.3 論文的創(chuàng)新點
    1.4 論文的內(nèi)容結(jié)構(gòu)和安排
第二章 相關(guān)理論基礎(chǔ)
    2.1 相關(guān)濾波原理
        2.1.1 相關(guān)濾波
        2.1.2 脊回歸模型
    2.2 ADMM算法
    2.3 特征表示
        2.3.1 HOG特征
        2.3.2 深度特征
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 VGG-M網(wǎng)絡(luò)結(jié)構(gòu)
        2.4.2 VGG-16網(wǎng)絡(luò)結(jié)構(gòu)
        2.4.3 激活函數(shù)
    2.5 本章小結(jié)
第三章 基于L1正則的魯棒的目標跟蹤算法
    3.1 問題引入
    3.2 STRCF模型
    3.3 改進的L1-STRCF模型
    3.4 ADMM算法求解
    3.5 實驗參數(shù)設(shè)置及結(jié)果分析
        3.5.1 精確度和成功率
        3.5.2 視頻屬性精度圖比較
        3.5.3 視頻屬性成功率比較
        3.5.4 LaSOT數(shù)據(jù)集比較
    3.6 本章小結(jié)
第四章 融合時間正則與空間L1正則的相關(guān)濾波器
    4.1 問題引入
    4.2 自適應(yīng)空間正則
    4.3 改進的LTASRCF模型
    4.4 ADMM算法求解
    4.5 實驗結(jié)果及分析
        4.5.1 實驗環(huán)境及參數(shù)
        4.5.2 評估工具
        4.5.3 精確圖和成功圖
        4.5.4 精確度視頻屬性分析
        4.5.5 成功率視頻屬性分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
攻讀碩士期間已完成和發(fā)表的學術(shù)論文
攻讀碩士期間參加的科研項目


【參考文獻】：
期刊論文
[1]優(yōu)化形式下的稀疏表示分類器的人臉識別[J]. 吉朝明,宋鐵成.  重慶理工大學學報(自然科學). 2020(02)
[2]基于稀疏表示的人臉識別魯棒性研究[J]. 朱強軍.  電子測試. 2020(02)



本文編號：3717131