【摘要】：近年來,計算機(jī)視覺(Computer Vision,CV)作為一個備受關(guān)注的研究領(lǐng)域得到了迅速發(fā)展。對圖像中特定的目標(biāo)進(jìn)行檢測和跟蹤,是計算機(jī)視覺領(lǐng)域中最基本也是最重要的課題之一。良好的目標(biāo)跟蹤方案能夠使機(jī)器更好地“感知”圖像并做出相應(yīng)“決策”。對目標(biāo)的檢測和跟蹤在數(shù)學(xué)角度上是一個動態(tài)優(yōu)化的過程,即在圖像序列中搜索或預(yù)測出目標(biāo)當(dāng)前的最佳位置。差分進(jìn)化算法(Differential Evolution,DE)作為智能優(yōu)化領(lǐng)域中新興的優(yōu)化算法,得到越來越廣泛的應(yīng)用。DE算法在解決各種科學(xué)和工程的優(yōu)化問題上,具有結(jié)構(gòu)簡單、并行迭代、自適應(yīng)搜索等優(yōu)點。但由于DE算法本身存在進(jìn)化停滯、早熟收斂等問題,在具體的應(yīng)用中其優(yōu)化能力受到一定的限制。因此,本課題著力于對DE算法進(jìn)行改進(jìn)研究,以更好地應(yīng)用于目標(biāo)的跟蹤算法中。首先,在DE算法的變異階段引入兩個包含淘汰個體的差分向量,作為DE算法拓展的兩個搜索方向。淘汰個體的使用豐富了種群在進(jìn)化后期的多樣性,進(jìn)化速度得到提升。其次,為進(jìn)一步挖掘淘汰個體的信息價值,在種群進(jìn)化的后期構(gòu)建一個輔助種群,來增加被淘汰個體的利用率。輔助種群的規(guī)�？筛鶕�(jù)原種群的進(jìn)化情況動態(tài)地調(diào)整。改進(jìn)的算法在提高收斂精度的同時,收斂性能同樣良好。最后,將改進(jìn)的DE算法具體應(yīng)用到目標(biāo)的預(yù)測定位中。為應(yīng)對復(fù)雜多變的跟蹤場景,本文對序列圖像進(jìn)行預(yù)處理,并采用自適應(yīng)的混合高斯模型(Gaussian Mixture Model,GMM)建立背景模型。在GMM模型的更新上也做了一定的改進(jìn),以提高跟蹤算法的實時性和魯棒性。跟蹤實驗結(jié)果顯示,本文的跟蹤方案在多個視頻測試集中都能跟蹤成功,且能應(yīng)對諸多復(fù)雜環(huán)境和干擾因素。
[Abstract]:......
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP18

【引證文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 徐雙雙;基于多目標(biāo)差分進(jìn)化的高爐煤氣系統(tǒng)優(yōu)化調(diào)度[D];大連理工大學(xué);2018年

，

本文編號：2476518