隨著我國(guó)交通運(yùn)輸業(yè)的發(fā)展,基于計(jì)算機(jī)視覺(jué)處理技術(shù)的交通監(jiān)控系統(tǒng)的應(yīng)用日趨普遍。目標(biāo)跟蹤在計(jì)算機(jī)處理領(lǐng)域中扮演承上啟下的角色。近年來(lái),目標(biāo)跟蹤技術(shù)得到深遠(yuǎn)的發(fā)展,由于場(chǎng)景光照、目標(biāo)尺度、姿態(tài)的變化以及遮擋等難點(diǎn)問(wèn)題,給目標(biāo)跟蹤算法帶來(lái)很大的挑戰(zhàn)。因此,如何應(yīng)對(duì)上述困難實(shí)現(xiàn)目標(biāo)魯棒的跟蹤仍然是一個(gè)值得深入研究的問(wèn)題。本文針對(duì)上述問(wèn)題,在大量分析國(guó)內(nèi)外相關(guān)文獻(xiàn)的基礎(chǔ)上,對(duì)目標(biāo)跟蹤問(wèn)題進(jìn)行深入研究,圍繞智能監(jiān)控系統(tǒng)中的行人,車(chē)輛目標(biāo)的跟蹤展開(kāi)研究,旨在提高目標(biāo)跟蹤算法的準(zhǔn)確性、魯棒性,使其滿(mǎn)足智能監(jiān)控系統(tǒng)的實(shí)際需求。本文的主要研究工作如下:1.在理論上對(duì)多示例學(xué)習(xí)算法及稀疏表示算法進(jìn)行分析,將其應(yīng)用到圖像分類(lèi)研究中,提出了一種融合稀疏編碼理論及多示例學(xué)習(xí)的改進(jìn)多示例圖像分類(lèi)算法。該算法針對(duì)傳統(tǒng)的基于包空間特征表示的多示例圖像分類(lèi)算法,在特征選擇過(guò)程中存在忽略小目標(biāo)概念且包含大量冗余信息,造成部分訓(xùn)練包信息損失,影響分類(lèi)性能的問(wèn)題進(jìn)行改進(jìn)。首先根據(jù)同類(lèi)樣本示例聚為一簇的特性,應(yīng)用聚類(lèi)算法構(gòu)造每類(lèi)圖像的視覺(jué)詞匯,并利用負(fù)包中所有示例都為負(fù)的特性,對(duì)視覺(jué)詞匯進(jìn)行約束,消除冗余信息;依據(jù)訓(xùn)練樣本示例與... 

【文章來(lái)源】：西北工業(yè)大學(xué)陜西省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：124 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

目標(biāo)跟蹤的結(jié)構(gòu)圖

圖 2-2 多示例學(xué)習(xí)算法與三大機(jī)器學(xué)習(xí)算法之間的區(qū)別Fig. 2-2 The difference between multiple instance learning and machine learning多示例分類(lèi)算法

圖 2-3 本章分類(lèi)算法在 COREL 圖像集上的部分分類(lèi)結(jié)果Fig. 2-3 The sample classification results of the proposed method in COREL datase 2： 字典大小對(duì)算法分類(lèi)性能的影響描述字典大小對(duì)本章分類(lèi)算法的影響，實(shí)驗(yàn)中以 COREL 數(shù)據(jù)集的 1類(lèi)效果為例，采用大小不一的字典對(duì)進(jìn)行分類(lèi)實(shí)驗(yàn)，其實(shí)驗(yàn)平均分類(lèi)

【參考文獻(xiàn)】：
期刊論文
[1]基于包級(jí)空間多示例稀疏表示的圖像分類(lèi)算法[J]. 楊紅紅,曲仕茹,金紅霞.  西北工業(yè)大學(xué)學(xué)報(bào). 2017(04)
[2]基于外觀模型的目標(biāo)跟蹤算法研究進(jìn)展[J]. 李娜,趙祥模,趙鳳,劉衛(wèi)華,王倩.  計(jì)算機(jī)工程與科學(xué). 2017(03)
[3]深度學(xué)習(xí)在視頻目標(biāo)跟蹤中的應(yīng)用進(jìn)展與展望[J]. 管皓,薛向陽(yáng),安志勇.  自動(dòng)化學(xué)報(bào). 2016(06)
[4]基于稀疏約束深度學(xué)習(xí)的交通目標(biāo)跟蹤[J]. 楊紅紅,曲仕茹.  中國(guó)公路學(xué)報(bào). 2016(06)
[5]基于權(quán)值分配及多特征表示的在線多示例學(xué)習(xí)跟蹤[J]. 楊紅紅,曲仕茹,米秀秀.  北京航空航天大學(xué)學(xué)報(bào). 2016(10)
[6]幾種新超像素算法的研究[J]. 張曉平.  控制工程. 2015(05)
[7]一種基于壓縮感知的在線學(xué)習(xí)跟蹤算法[J]. 劉威,趙文杰,李成.  光學(xué)學(xué)報(bào). 2015(09)
[8]融合SIFT特征的壓縮跟蹤算法[J]. 鐘權(quán),周進(jìn),崔雄文.  光電工程. 2015(02)
[9]多特征聯(lián)合的稀疏跟蹤方法[J]. 胡昭華,徐玉偉,趙孝磊,何軍.  計(jì)算機(jī)應(yīng)用. 2014(08)
[10]基于稀疏表示和特征選擇的LK目標(biāo)跟蹤[J]. 潘晴,曾仲杰.  計(jì)算機(jī)應(yīng)用研究. 2014(02)

博士論文
[1]基于特征選擇的嵌入空間多示例學(xué)習(xí)算法研究[D]. 袁立明.哈爾濱工業(yè)大學(xué) 2014
[2]基于統(tǒng)計(jì)學(xué)習(xí)的視覺(jué)目標(biāo)跟蹤算法研究[D]. 劉榮利.上海交通大學(xué) 2014
[3]復(fù)雜環(huán)境下的車(chē)輛目標(biāo)跟蹤技術(shù)研究[D]. 徐旭.吉林大學(xué) 2013

碩士論文
[1]基于局部稀疏表示模型的在線字典學(xué)習(xí)跟蹤算法研究[D]. 羅燕龍.廈門(mén)大學(xué) 2014
[2]基于特征加權(quán)的在線多示例學(xué)習(xí)跟蹤算法[D]. 劉薇.廈門(mén)大學(xué) 2014
[3]基于視頻的交通數(shù)據(jù)采集技術(shù)研究[D]. 徐文聰.山東大學(xué) 2012



本文編號(hào)：3576724