目標(biāo)跟蹤技術(shù)一直以來都是計(jì)算機(jī)視覺、圖像處理領(lǐng)域的研究熱點(diǎn),其在國防偵察、安防監(jiān)控、智能控制等領(lǐng)域具有重要應(yīng)用價(jià)值,是武器裝備、監(jiān)控設(shè)備等的核心技術(shù)之一。數(shù)十年來,國內(nèi)外一直有大量學(xué)者從事目標(biāo)跟蹤算法方面的研究,但是由于跟蹤過程中所觀測的目標(biāo)信息的多變性、目標(biāo)的機(jī)動(dòng)性以及背景的復(fù)雜性、自身或背景遮擋等原因,目標(biāo)跟蹤仍然是一個(gè)非常具有挑戰(zhàn)性的問題。近年來,將機(jī)器學(xué)習(xí)理論應(yīng)用到目標(biāo)的跟蹤、識(shí)別問題是一個(gè)研究熱點(diǎn),與傳統(tǒng)跟蹤的目標(biāo)匹配不同,運(yùn)用機(jī)器學(xué)習(xí)理論進(jìn)行目標(biāo)跟蹤是將目標(biāo)跟蹤問題轉(zhuǎn)換成目標(biāo)分類問題,即用算法將視場中的目標(biāo)和背景分類,分類結(jié)果置信度最大的目標(biāo)所在的位置就是目標(biāo)位置。機(jī)器學(xué)習(xí)的一大特點(diǎn)就是學(xué)習(xí),即讓計(jì)算機(jī)有人一樣的“學(xué)習(xí)”能力,可以通過學(xué)習(xí)被跟蹤目標(biāo)的不同變化,如位置變化、姿態(tài)變化和相似干擾等,及時(shí)調(diào)整跟蹤器的狀態(tài),適用于多種復(fù)雜的目標(biāo)跟蹤問題。本文從三個(gè)方面對(duì)基于機(jī)器學(xué)習(xí)的目標(biāo)跟蹤算法進(jìn)行了較為深入的研究,主要?jiǎng)?chuàng)新工作及研究成果如下:1.針對(duì)傳統(tǒng)相關(guān)跟蹤算法實(shí)時(shí)性不好、不能適應(yīng)目標(biāo)變化的問題,提出一種自適應(yīng)相關(guān)濾波目標(biāo)跟蹤算法,采用相關(guān)濾波的方式進(jìn)行目標(biāo)跟蹤,通過在線訓(xùn)練濾波器模板,使跟蹤能夠適應(yīng)目標(biāo)的變化;用余弦窗函數(shù)對(duì)圖像塊進(jìn)行加權(quán),使圖像中目標(biāo)區(qū)域的目標(biāo)比周邊的背景有更大的權(quán)值,而且保證了對(duì)圖像塊做周期延拓時(shí)圖像邊緣的連續(xù)性;根據(jù)循環(huán)矩陣的性質(zhì)對(duì)圖像在頻域做卷積,得到濾波響應(yīng)的頻域值,逆傅里葉變換得到空域響應(yīng)值,根據(jù)最大響應(yīng)值的位置確定目標(biāo)位置,實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)跟蹤。實(shí)驗(yàn)結(jié)果表明,此算法具有良好的匹配精度和很好實(shí)時(shí)性,對(duì)跟蹤過程中目標(biāo)姿態(tài)的漸變和相似物的干擾具有良好的適應(yīng)能力。2.研究了多示例學(xué)習(xí)目標(biāo)跟蹤算法,為提高在線多示例學(xué)習(xí)跟蹤算法的跟蹤正確率和實(shí)時(shí)性,提出了一種加權(quán)在線多示例學(xué)習(xí)跟蹤算法。首先,根據(jù)所選定目標(biāo)位置分別采集目標(biāo)和背景樣本集,并對(duì)樣本與目標(biāo)的相似程度對(duì)樣本賦權(quán)值,通過對(duì)所采集的樣本集的特征的在線學(xué)習(xí)生成弱分類器集;然后,用計(jì)算樣本集對(duì)數(shù)似然函數(shù)的最大值的方法從弱分類器集中選擇K個(gè)最優(yōu)的弱分類器,根據(jù)弱分類器分類效果給每個(gè)弱分類器賦不同的權(quán)值,生成一個(gè)強(qiáng)分類器;最后,在新的一幀中抽取目標(biāo)和背景樣本,用生成的強(qiáng)分類器對(duì)待分類的目標(biāo)和背景進(jìn)行分類,分類結(jié)果映射成一個(gè)概率值,概率最大樣本的位置就是所要跟蹤目標(biāo)的位置。實(shí)驗(yàn)結(jié)果表明,該算法能穩(wěn)定地跟蹤目標(biāo),較好地應(yīng)對(duì)相似物的干擾問題,并且比經(jīng)典多示例學(xué)習(xí)跟蹤算法有更好地實(shí)時(shí)性。3.為提高在線學(xué)習(xí)目標(biāo)跟蹤的實(shí)時(shí)性和準(zhǔn)確率,結(jié)合壓縮感知理論,提出一種基于距離度量學(xué)習(xí)的目標(biāo)跟蹤算法。首先,根據(jù)所選定的目標(biāo)位置分別提取目標(biāo)和背景樣本集,運(yùn)用隨機(jī)投影理論對(duì)樣本的Haar-like特征進(jìn)行壓縮;然后,用壓縮后的低維特征向量集來訓(xùn)練度量矩陣;最后,在新的一幀中抽取目標(biāo)和背景的樣本,用訓(xùn)練得到的度量矩陣計(jì)算已知目標(biāo)和樣本間的Mahalanobis距離,距離最小的樣本的位置就是所要跟蹤的目標(biāo)的位置。對(duì)不同視頻序列的測試結(jié)果表明,用壓縮特征表示目標(biāo),使特征計(jì)算的計(jì)算量壓縮到原來的1/4,減少了特征計(jì)算的時(shí)間;用訓(xùn)練后的度量矩陣計(jì)算目標(biāo)位置,即跟蹤器能夠根據(jù)目標(biāo)的不斷變化自適應(yīng)的調(diào)整參數(shù),提高了跟蹤的準(zhǔn)確率。
【學(xué)位單位】：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)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2015
【中圖分類】：TP391.41;TP181
【文章目錄】：
摘要
Abstract
目錄
第1章 緒論
    1.1 課題研究背景及意義
    1.2 目標(biāo)跟蹤的分類
    1.3 目標(biāo)跟蹤技術(shù)的研究現(xiàn)狀
    1.4 論文的研究內(nèi)容與章節(jié)安排
第2章 基于機(jī)器學(xué)習(xí)的目標(biāo)跟蹤方法綜述
    2.1 引言
    2.2 機(jī)器學(xué)習(xí)的分類
        2.2.1 無監(jiān)督學(xué)習(xí)
        2.2.2 監(jiān)督學(xué)習(xí)
        2.2.3 半監(jiān)督學(xué)習(xí)
        2.2.4 增強(qiáng)學(xué)習(xí)
    2.3 幾種典型基于機(jī)器學(xué)習(xí)的跟蹤算法
        2.3.1 Boosting方法
        2.3.2 P-N Learning
    2.4 本章小結(jié)
第3章 自適應(yīng)學(xué)習(xí)相關(guān)濾波的目標(biāo)跟蹤
    3.1 引言
    3.2 傳統(tǒng)的空域相關(guān)跟蹤
    3.3 相關(guān)濾波跟蹤
        3.3.1 循環(huán)矩陣
        3.3.2 基于相關(guān)濾波的跟蹤
        3.3.3 濾波器的在線學(xué)習(xí)更新
    3.4 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第4章 在線加權(quán)多示例學(xué)習(xí)目標(biāo)跟蹤算法
    4.1 引言
    4.2 樣本的Haar-like特征
    4.3 多示例學(xué)習(xí)跟蹤算法
    4.4 在線多示例學(xué)習(xí)目標(biāo)跟蹤算法
        4.4.1 正負(fù)樣本的選取
        4.4.2 訓(xùn)練分類器
        4.4.3 弱分類器的選擇
    4.5 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
第5章 特征壓縮距離度量學(xué)習(xí)目標(biāo)跟蹤
    5.1 引言
    5.2 距離度量
        5.2.1 常用的距離度量
        5.2.2 Mahalanobis距離
    5.3 特征壓縮
        5.3.1 隨機(jī)投影
        5.3.2 隨機(jī)測量矩陣
        5.3.3 壓縮特征提取
    5.4 距離度量學(xué)習(xí)跟蹤算法
        5.4.1 算法概略
        5.4.2 度量矩陣G的訓(xùn)練
    5.5 實(shí)驗(yàn)結(jié)果與分析
    5.6 本章小結(jié)
第6章 結(jié)論與展望
    6.1 論文工作總結(jié)
    6.2 論文創(chuàng)新點(diǎn)
    6.3 研究展望
參考文獻(xiàn)
在學(xué)期間學(xué)術(shù)成果情況
指導(dǎo)教師及作者簡介
致謝

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李凡長;協(xié)調(diào)機(jī)器學(xué)習(xí)的穩(wěn)定性研究[J];小型微型計(jì)算機(jī)系統(tǒng);2002年03期

2 周海廷;機(jī)器學(xué)習(xí)與生物信息學(xué)[J];信息與控制;2003年04期

3 于鳳;機(jī)器學(xué)習(xí)方法及其技術(shù)應(yīng)用[J];電腦學(xué)習(xí);2003年01期

4 王玨,石純一;機(jī)器學(xué)習(xí)研究[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年02期

5 谷蓉,劉學(xué)民,朱仲濤,周杰;一種圍棋定式的機(jī)器學(xué)習(xí)方法[J];計(jì)算機(jī)工程;2004年06期

6 閆友彪,陳元琰;機(jī)器學(xué)習(xí)的主要策略綜述[J];計(jì)算機(jī)應(yīng)用研究;2004年07期

7 張曉龍,楊艷霞;機(jī)器學(xué)習(xí)在生物信息學(xué)中的應(yīng)用[J];武漢科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年02期

8 ;第十屆中國機(jī)器學(xué)習(xí)會(huì)議征文通知2006年10月13～15日,�？赱J];計(jì)算機(jī)研究與發(fā)展;2005年10期

9 邵平;;機(jī)器學(xué)習(xí)與人臉識(shí)別方法概述[J];玉林師范學(xué)院學(xué)報(bào);2006年03期

10 方瑋瑋;;機(jī)器學(xué)習(xí)方法淺析[J];福建電腦;2006年11期

相關(guān)博士學(xué)位論文 前10條

1 趙玉鵬;機(jī)器學(xué)習(xí)的哲學(xué)探索[D];大連理工大學(xué);2010年

2 胡巍;面向格結(jié)構(gòu)的機(jī)器學(xué)習(xí)[D];上海交通大學(xué);2009年

3 張義榮;基于機(jī)器學(xué)習(xí)的入侵檢測技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2005年

4 錢線;快速精確的結(jié)構(gòu)化機(jī)器學(xué)習(xí)方法研究[D];復(fù)旦大學(xué);2010年

5 梁錫軍;稀疏優(yōu)化在機(jī)器學(xué)習(xí)中的若干應(yīng)用[D];大連理工大學(xué);2013年

6 蔣剛;核機(jī)器學(xué)習(xí)方法若干問題研究[D];西南交通大學(xué);2006年

7 陳慧靈;面向智能決策問題的機(jī)器學(xué)習(xí)方法研究[D];吉林大學(xué);2012年

8 周偉達(dá);核機(jī)器學(xué)習(xí)方法研究[D];西安電子科技大學(xué);2003年

9 熊毅;基于機(jī)器學(xué)習(xí)的蛋白質(zhì)結(jié)合位點(diǎn)特征化和預(yù)測方法研究[D];武漢大學(xué);2011年

10 胡崇海;基于圖的半監(jiān)督機(jī)器學(xué)習(xí)[D];浙江大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 丁朋;凸優(yōu)化在大規(guī)模機(jī)器學(xué)習(xí)中的應(yīng)用[D];華東理工大學(xué);2011年

2 孟宜成;粗集理論在機(jī)器學(xué)習(xí)中的應(yīng)用與研究[D];昆明理工大學(xué);2008年

3 周浩;基于機(jī)器學(xué)習(xí)的E級(jí)系統(tǒng)故障預(yù)測關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

4 關(guān)真珍;基于半督導(dǎo)機(jī)器學(xué)習(xí)的分詞算法的設(shè)計(jì)與實(shí)現(xiàn)[D];華中科技大學(xué);2004年

5 趙草原;機(jī)器學(xué)習(xí)在可穿戴人體外骨骼系統(tǒng)步態(tài)識(shí)別中的應(yīng)用研究[D];電子科技大學(xué);2013年

6 丁惠;面向最優(yōu)養(yǎng)殖布局的機(jī)器學(xué)習(xí)方法研究[D];中國海洋大學(xué);2013年

7 王淑珍;機(jī)器學(xué)習(xí)算法的Weka嵌入[D];華南理工大學(xué);2013年

8 周廣通;幾種典型機(jī)器學(xué)習(xí)方法及其應(yīng)用研究[D];山東大學(xué);2010年

9 姜飛;機(jī)器學(xué)習(xí)在人崗匹配度測算模型中的應(yīng)用[D];湖南工業(yè)大學(xué);2012年

10 蔡楹;基于機(jī)器學(xué)習(xí)的磁浮列車故障綜合評(píng)估技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2007年

本文編號(hào)：2888789