社會(huì)的需求促使著目標(biāo)跟蹤與識(shí)別技術(shù)不斷地向前發(fā)展,目標(biāo)跟蹤與識(shí)別技術(shù)已在多個(gè)領(lǐng)域得到了很好地應(yīng)用,并產(chǎn)生了巨大的價(jià)值。因此研究目標(biāo)跟蹤與識(shí)別技術(shù)具有很重要的意義。本文主要對(duì)目標(biāo)跟蹤與識(shí)別技術(shù)進(jìn)行了研究,另外還研究了人工魚(yú)群算法,并將其引入到目標(biāo)跟蹤與識(shí)別中,以此來(lái)提高跟蹤精度和識(shí)別率。主要研究工作如下:(1)針對(duì)人工魚(yú)群算法采用固定的視野和步長(zhǎng)導(dǎo)致算法收斂后期發(fā)生振蕩現(xiàn)象、不能精確到達(dá)全局極值的問(wèn)題,提出了兩種改進(jìn)的人工魚(yú)群算法,改進(jìn)的算法采用變化的視野和步長(zhǎng),視野和步長(zhǎng)是根據(jù)人工魚(yú)彼此之間的距離來(lái)確定的,視野和步長(zhǎng)逐漸減小,避免了人工魚(yú)群算法采用固定的小視野、小步長(zhǎng)或者大視野、大步長(zhǎng)所出現(xiàn)的各種情況,經(jīng)過(guò)實(shí)驗(yàn)證明,改進(jìn)之后的算法能夠更精確地收斂到極值。(2)針對(duì)LBP特征提取算法對(duì)噪聲敏感、二值模式數(shù)量過(guò)多問(wèn)題,本文提出了一種改進(jìn)的LBP算法,改進(jìn)的算法生成的二值模式數(shù)量比原來(lái)減少了一半,同時(shí)增加了對(duì)噪聲的容忍程度,對(duì)比分析了另外四種特征提取算法,經(jīng)過(guò)實(shí)驗(yàn)證明,改進(jìn)后的算法得到了明顯的提升。(3)針對(duì)粒子濾波算法的粒子權(quán)值會(huì)隨著迭代的進(jìn)行而逐漸減小,粒子權(quán)值的方差變大,導(dǎo)致估計(jì)的狀態(tài)...

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)
        1.2.1 人工魚(yú)群算法的研究現(xiàn)狀
        1.2.2 目標(biāo)跟蹤研究現(xiàn)狀
        1.2.3 目標(biāo)識(shí)別之人臉識(shí)別研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
    參考文獻(xiàn)
第二章 圖像特征提取、目標(biāo)跟蹤識(shí)別技術(shù)綜述
    2.1 圖像特征提取算法
        2.1.1 HOG算法概述
        2.1.2 WLD算法概述
        2.1.3 Gabor+PCA算法概述
        2.1.4 2DLDA算法概述
    2.2 運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)
    2.3 目標(biāo)識(shí)別技術(shù)
    2.4 本章小結(jié)
    參考文獻(xiàn)
第三章 改進(jìn)的人工魚(yú)群算法
    3.1 傳統(tǒng)人工魚(yú)群算法
        3.1.1 覓食行為
        3.1.2 聚群行為
        3.1.3 追尾行為
        3.1.4 隨機(jī)行為
        3.1.5 公告牌
        3.1.6 行為評(píng)價(jià)
    3.2 參數(shù)對(duì)算法收斂的影響
    3.3 改進(jìn)的人工魚(yú)群算法
    3.4 仿真實(shí)驗(yàn)分析
        3.4.1 函數(shù)的收斂曲線(xiàn)和結(jié)果
        3.4.2 標(biāo)準(zhǔn)差
    3.5 本章小結(jié)
第四章 基于改進(jìn)人工魚(yú)群算法的人臉識(shí)別
    4.1 支持向量機(jī)
        4.1.1 支持向量機(jī)基本原理
        4.1.2 人工魚(yú)群算法對(duì)支持向量機(jī)參數(shù)的優(yōu)化
        4.1.3 參數(shù)對(duì)支持向量機(jī)的影響
    4.2 LBP人臉特征提取算法
        4.2.1 傳統(tǒng)LBP算法概述
        4.2.2 改進(jìn)的LBP算法
    4.3 改進(jìn)的人工魚(yú)群算法優(yōu)化支持向量機(jī)參數(shù)的人臉識(shí)別
    4.4 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
    參考文獻(xiàn)
第五章 基于改進(jìn)人工魚(yú)群算法的粒子濾波目標(biāo)跟蹤
    5.1 貝葉斯估計(jì)理論
    5.2 粒子濾波目標(biāo)跟蹤
    5.3 改進(jìn)的人工魚(yú)群算法
    5.4 基于改進(jìn)人工魚(yú)群算法的粒子濾波目標(biāo)跟蹤
    5.5 仿真實(shí)驗(yàn)分析
        5.5.1 實(shí)驗(yàn)結(jié)果及分析
        5.5.2 標(biāo)準(zhǔn)差
        5.5.3 函數(shù)的收斂曲線(xiàn)
        5.5.4 跟蹤結(jié)果
    5.6 本章小結(jié)
    參考文獻(xiàn)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 展望
攻讀碩士學(xué)位期間學(xué)術(shù)成果及獎(jiǎng)勵(lì)
致謝



本文編號(hào)：3829766