本文關(guān)鍵詞：基于最小生成樹模型的多目標(biāo)跟蹤算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：目前,目標(biāo)跟蹤作為計(jì)算機(jī)視覺領(lǐng)域中重要的研究方向,涉及圖像處理、模式識(shí)別、人工智能及自動(dòng)控制等前沿學(xué)科理論,并在交通控制、治安管理、人機(jī)交互、智能車輛和醫(yī)療檢測(cè)等領(lǐng)域都有廣泛應(yīng)用,對(duì)人類生活具有較高的實(shí)用價(jià)值。但在復(fù)雜跟蹤場(chǎng)景中,跟蹤系統(tǒng)的性能受各種因素的制約,如目標(biāo)遮擋,光照變化,姿態(tài)多樣性等。因此設(shè)計(jì)一個(gè)性能良好的跟蹤器是很有挑戰(zhàn)性的工作,具有重要的現(xiàn)實(shí)意義。本文針對(duì)復(fù)雜環(huán)境下的視頻序列中多目標(biāo)跟蹤算法的不足,提出了改進(jìn)的基于空間約束的跟蹤算法。多數(shù)跟蹤器往往只關(guān)注目標(biāo)外觀的顯著性特征,而忽視了不同目標(biāo)間的相互關(guān)系。由于目標(biāo)間存在頻繁的遮擋和有相似外觀,很容易發(fā)生跟蹤漂移。故本文方法融入目標(biāo)間的空間相互位置信息,由外觀匹配得分結(jié)合結(jié)構(gòu)形變得分,通過配置得分最大化輸出多目標(biāo)的最佳位置配置,使跟蹤器在多目標(biāo)場(chǎng)景中能實(shí)現(xiàn)更準(zhǔn)確的跟蹤。該算法將每個(gè)運(yùn)動(dòng)目標(biāo)視為一個(gè)部分,首先對(duì)目標(biāo)區(qū)域進(jìn)行梯度方向直方圖(HOG)特征提取,然后結(jié)合支持向量機(jī)(SVM)分類器進(jìn)行樣本訓(xùn)練,得到每個(gè)目標(biāo)的外觀模型�；诳勺冃文０宓脑�,提出最小生成樹(MST)模型來建立各個(gè)部分之間的聯(lián)系,在有效表示目標(biāo)空間結(jié)構(gòu)約束的同時(shí),使整個(gè)檢測(cè)過程計(jì)算復(fù)雜度較小。在跟蹤過程中,使用一個(gè)結(jié)構(gòu)化的SVM算法框架(structured SVM)進(jìn)行參數(shù)在線學(xué)習(xí),實(shí)時(shí)更新所有目標(biāo)的外觀模型和這些目標(biāo)間的結(jié)構(gòu)約束,使跟蹤器能夠及時(shí)適應(yīng)目標(biāo)和環(huán)境的變化。最后通過實(shí)驗(yàn)結(jié)果表明,本文算法有效改善了對(duì)多目標(biāo)的跟蹤效果,提高了跟蹤器的魯棒性和準(zhǔn)確性。
【關(guān)鍵詞】：多目標(biāo)跟蹤 在線學(xué)習(xí) 支持向量機(jī) 最小生成樹
【學(xué)位授予單位】：沈陽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-16
• 1.1 課題研究背景及意義10-11
• 1.2 目標(biāo)跟蹤技術(shù)國內(nèi)外研究現(xiàn)狀11-13
• 1.3 論文的主要工作13-15
• 1.4 論文的結(jié)構(gòu)安排15-16
• 第2章 圖像特征提取16-34
• 2.1 圖像特征16-24
• 2.1.1 LBP特征16-20
• 2.1.2 Haar-like特征20-21
• 2.1.3 SIFT特征21-24
• 2.1.4 HOG特征24
• 2.2 HOG特征提取方法24-28
• 2.2.1 圖像梯度計(jì)算25-26
• 2.2.2 空間以及方向上的梯度統(tǒng)計(jì)26-27
• 2.2.3 塊內(nèi)梯度直方圖的歸一化27-28
• 2.2.4 最終HOG特征向量的生成28
• 2.3 基于HOG特征的目標(biāo)描述28-30
• 2.4 特征提取實(shí)驗(yàn)結(jié)果30-34
• 第3章 SVM機(jī)器學(xué)習(xí)算法34-44
• 3.1 支持向量機(jī)(SVM)原理34
• 3.2 SVM分類器的數(shù)學(xué)模型34-40
• 3.2.1 線性可分情況下的SVM模型34-38
• 3.2.2 線性不可分情況下的SVM模型38-39
• 3.2.3 非線性可分情況下的SVM模型39-40
• 3.3 SVM分類器設(shè)計(jì)40-41
• 3.4 基于HOG和SVM的目標(biāo)外觀模型41-44
• 3.4.1 目標(biāo)外觀模型建立41
• 3.4.2 SVM分類器訓(xùn)練41-44
• 第4章 基于可變形模板的多目標(biāo)跟蹤模型構(gòu)建44-54
• 4.1 可變形模板概述44
• 4.2 圖結(jié)構(gòu)模型44-48
• 4.2.1 圖的基本概念46-47
• 4.2.2 表示圖像結(jié)構(gòu)特征的圖47-48
• 4.3 構(gòu)造最小生成樹48-50
• 4.4 建立跟蹤模型50-54
• 第5章 基于SVM在線學(xué)習(xí)的模型參數(shù)更新54-66
• 5.1 在線學(xué)習(xí)跟蹤算法概述54-55
• 5.2 SVM在線學(xué)習(xí)跟蹤框架55-56
• 5.3 結(jié)構(gòu)化的SVM學(xué)習(xí)56-60
• 5.3.1 結(jié)構(gòu)化的SVM56-58
• 5.3.2 結(jié)構(gòu)化學(xué)習(xí)58-60
• 5.4 實(shí)驗(yàn)與結(jié)果分析60-66
• 第6章 總結(jié)與展望66-68
• 6.1 總結(jié)66-67
• 6.2 展望67-68
• 參考文獻(xiàn)68-72
• 讀研期間研究成果72-73
• 致謝73-74

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 薛春艷;;最小生成樹在城市高速公路問題中的應(yīng)用[J];電腦編程技巧與維護(hù);2009年06期

2 胡紅;;最小生成樹的應(yīng)用及拓展探討[J];洛陽師范學(xué)院學(xué)報(bào);2012年02期

3 毛華;史田敏;高瑞;;求最小生成樹的矩陣算法[J];鄭州大學(xué)學(xué)報(bào)(理學(xué)版);2013年04期

4 楊國慧,周春光,黃艷新,呂慧英;最小生成樹用于基因表示數(shù)據(jù)的聚類算法[J];計(jì)算機(jī)研究與發(fā)展;2003年10期

5 楊旭;;求最小生成樹的另一算法及其與其它算法的比較[J];重慶電力高等�？茖W(xué)校學(xué)報(bào);2003年02期

6 周玉林;最小生成樹與次小生成樹上的算法分析與設(shè)計(jì)[J];上饒師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2005年03期

7 陳國龍;郭文忠;涂雪珠;陳火旺;;求解多目標(biāo)最小生成樹問題的改進(jìn)算法[J];軟件學(xué)報(bào);2006年03期

8 歐陽浩;肖建華;;基于網(wǎng)格的最小生成樹聚類算法[J];計(jì)算機(jī)與現(xiàn)代化;2006年12期

9 閻少宏;王秋麗;楊愛民;;最小生成樹問題的分析與研究[J];商場(chǎng)現(xiàn)代化;2007年11期

10 余榮祖;王宇平;;求解多目標(biāo)最小生成樹的一種改進(jìn)的非支配排序遺傳算法[J];電子科技;2007年06期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 黃宜真;張世R

本文編號(hào)：399329