本文關(guān)鍵詞：基于L-GEM徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測跟蹤算法研究　出處：《浙江大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 目標(biāo)檢測跟蹤 RBFNN分類器 改進(jìn)的混合高斯模型 隨機(jī)敏感度

【摘要】：運(yùn)動(dòng)目標(biāo)檢測跟蹤在智能視頻監(jiān)控等諸多領(lǐng)域起到十分重要的作用。在過去的幾年中,盡管大量的檢測跟蹤相關(guān)算法被提出,但在算法的實(shí)際應(yīng)用過程中會(huì)由于場景情況多樣、算法計(jì)算量大等因素難以滿足實(shí)時(shí)檢測跟蹤的需求,這也是目前為止,智能視頻監(jiān)控等沒有取得廣泛應(yīng)用的原因。面對這樣的情況,如何設(shè)計(jì)一款有效準(zhǔn)確的實(shí)時(shí)目標(biāo)檢測跟蹤算法有著重大的研究意義和實(shí)用意義。針對目標(biāo)檢測跟蹤的實(shí)時(shí)性以及準(zhǔn)確性,本文提出了一種基于當(dāng)前兩種主流框架相結(jié)合的算法來完成目標(biāo)的檢測跟蹤,并在傳統(tǒng)的目標(biāo)運(yùn)動(dòng)區(qū)域提取與目標(biāo)檢測兩個(gè)模塊中提出了以下幾種改進(jìn)算法：一、使用一種改進(jìn)的混合高斯背景模型來完成運(yùn)動(dòng)區(qū)域的提取�？紤]到混合高斯背景模型在面對背景突變等情況下建模效果會(huì)變差,本文對算法進(jìn)行了改進(jìn),即通過調(diào)整背景突變時(shí)模型的學(xué)習(xí)速率來削弱模型對光照變化的敏感度使模型具有更好的適應(yīng)性。二、使用基于L-GEM的RBFNN分類器來完成運(yùn)動(dòng)目標(biāo)的訓(xùn)練檢測工作�；贚-GEM的RBFNN分類器因其良好的泛化能力和極快的學(xué)習(xí)收斂速度被廣泛用于諸多應(yīng)用領(lǐng)域,但對目標(biāo)檢測跟蹤研究算法分析之后發(fā)現(xiàn)至今還沒有在這方面取得應(yīng)用。三、使用基于隨機(jī)敏感度的重抽樣來平衡訓(xùn)練過程中目標(biāo)背景樣本不平衡問題。對于幀圖像來說,樣本內(nèi)的目標(biāo)區(qū)域往往遠(yuǎn)小于背景區(qū)域,而訓(xùn)練過程中的誤分將產(chǎn)生極大的代價(jià),目前的很多分類器如RBFNN、SVM等都沒有考慮到這個(gè)問題。本文使用基于隨機(jī)敏感度的重抽樣來平衡目標(biāo)背景訓(xùn)練過程中樣本不平衡問題,進(jìn)而提高訓(xùn)練器的分類性能。本文從以上三個(gè)方面對當(dāng)前的運(yùn)動(dòng)目標(biāo)檢測跟蹤算法做了改進(jìn),實(shí)驗(yàn)結(jié)果也證明本文算法在保證檢測跟蹤精度的同時(shí),也保證了算法的實(shí)時(shí)性。
[Abstract]:Moving target detection and tracking plays an important role in many fields, such as intelligent video surveillance. In the past few years, although a large number of detection and tracking algorithms have been proposed. However, in the practical application of the algorithm, it is difficult to meet the needs of real-time detection and tracking because of the diversity of the scene and the large amount of calculation of the algorithm, which is also up to now. Intelligent video surveillance and other reasons are not widely used. Faced with such a situation. How to design an effective and accurate real-time target detection and tracking algorithm is of great significance and practical significance, aiming at the real-time and accuracy of target detection and tracking. In this paper, an algorithm based on the combination of two main frameworks is proposed to complete target detection and tracking. And in the traditional target moving region extraction and target detection two modules proposed the following improved algorithms: 1. An improved mixed Gao Si background model is used to extract the moving region. Considering that the mixed Gao Si background model will become worse in the face of background mutation, the algorithm is improved in this paper. That is, by adjusting the learning rate of the model with background mutation to weaken the sensitivity of the model to light change, the model has better adaptability. The RBFNN classifier based on L-GEM is used to complete the training and detection of moving target. The RBFNN classifier based on L-GEM has been widely used because of its good generalization ability and fast learning convergence speed. It is widely used in many application fields. But after analyzing the algorithm of target detection and tracking, it is found that it has not been applied in this field. 3. Resampling based on random sensitivity is used to balance the imbalance of target background samples in the process of training. For frame images, the target region in the sample is often much smaller than the background region. However, the misclassification in the training process will have a great cost. Many current classifiers such as RBFNN. SVM et al. did not consider this problem. In this paper, we use resampling based on random sensitivity to balance the sample imbalance in the process of target background training. And then improve the classification performance of the trainer. This paper improves the current moving target detection and tracking algorithm from the above three aspects, the experimental results also prove that the algorithm can ensure the accuracy of detection and tracking at the same time. It also ensures the real-time performance of the algorithm.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李斌;孫華峰;;內(nèi)河運(yùn)動(dòng)船舶的準(zhǔn)確檢測跟蹤技術(shù)研究[J];微電子學(xué)與計(jì)算機(jī);2012年11期

2 李海軍;;在康復(fù)理療系統(tǒng)中基于人體部位的多人檢測跟蹤方法[J];計(jì)算機(jī)應(yīng)用與軟件;2014年04期

3 游波;張明敏;;一種對水下運(yùn)動(dòng)目標(biāo)被動(dòng)檢測跟蹤的一體化算法[J];電子學(xué)報(bào);2006年04期

4 藍(lán)曉平;;內(nèi)河運(yùn)動(dòng)船舶的準(zhǔn)確檢測跟蹤技術(shù)研究[J];企業(yè)技術(shù)開發(fā);2013年21期

5 王坤;王磊;游安清;;基于局部輪廓特征的無人機(jī)頭部檢測跟蹤算法[J];光學(xué)技術(shù);2011年02期

6 向桂山;王宣銀;梁冬泰;;基于人臉膚色和特征的實(shí)時(shí)檢測跟蹤算法[J];光電工程;2007年04期

7 張麗麗;王建民;;太陽位置光電模擬信號(hào)檢測跟蹤的實(shí)現(xiàn)[J];自動(dòng)化技術(shù)與應(yīng)用;2010年09期

8 盛平;張凈;倪冬瑋;劉曉梅;;基于單運(yùn)動(dòng)目標(biāo)的PTZ檢測跟蹤系統(tǒng)設(shè)計(jì)[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年06期

9 方國強(qiáng);滕克難;;基于序列紅外圖像的彈道導(dǎo)彈中段目標(biāo)檢測跟蹤方法[J];宇航計(jì)測技術(shù);2014年01期

10 牛薌潔;黃永春;;微弱運(yùn)動(dòng)目標(biāo)的檢測與跟蹤識(shí)別算法研究[J];計(jì)算機(jī)仿真;2010年04期

相關(guān)會(huì)議論文 前3條

1 游波;張明敏;;基于匹配場和長項(xiàng)積分混合處理的多模式檢測跟蹤一體化算法[A];2004年全國水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2004年

2 柳迪;董緒榮;;視頻目標(biāo)檢測和跟蹤框架的研究[A];2011年全國通信安全學(xué)術(shù)會(huì)議論文集[C];2011年

3 王楠;姜志國;孟鋼;趙丹培;;基于DSP的深空背景仿真及目標(biāo)檢測跟蹤系統(tǒng)開發(fā)[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊）[C];2010年

相關(guān)博士學(xué)位論文 前3條

1 劉釗;無人車2D激光雷達(dá)結(jié)構(gòu)化環(huán)境感知技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2013年

2 龔俊亮;紅外弱小多目標(biāo)實(shí)時(shí)檢測跟蹤技術(shù)研究[D];中國科學(xué)院研究生院（長春光學(xué)精密機(jī)械與物理研究所）;2013年

3 王守佳;基于圖像的人體檢測跟蹤和人臉識(shí)別的研究[D];吉林大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 王云奇;知識(shí)輔助檢測跟蹤一體化算法研究[D];電子科技大學(xué);2014年

2 張?jiān)?無源毫米波圖像變尺度目標(biāo)檢測跟蹤算法研究與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

3 金純;基于無人機(jī)平臺(tái)的目標(biāo)檢測跟蹤系統(tǒng)研究[D];西安電子科技大學(xué);2015年

4 田歌;人臉檢測跟蹤技術(shù)的研究[D];河南工業(yè)大學(xué);2015年

5 關(guān)曉青;基于L-GEM徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測跟蹤算法研究[D];浙江大學(xué);2016年

6 郭達(dá)潔;監(jiān)控視頻中的前景提取和目標(biāo)檢測跟蹤算法研究[D];浙江大學(xué);2016年

7 賈艾琪;復(fù)雜背景下運(yùn)動(dòng)靶標(biāo)檢測跟蹤技術(shù)的研究[D];長春理工大學(xué);2009年

8 李俊勰;視頻監(jiān)控下運(yùn)動(dòng)目標(biāo)檢測跟蹤與控制系統(tǒng)的研究[D];南昌大學(xué);2014年

9 杜宇;視頻中的人臉檢測跟蹤技術(shù)及其應(yīng)用[D];西安電子科技大學(xué);2006年

10 吳澤賓;中文微博話題檢測跟蹤方法研究和系統(tǒng)設(shè)計(jì)[D];廣東技術(shù)師范學(xué)院;2013年

，

本文編號(hào)：1385403