隨著人工智能技術(shù)爆發(fā)式的增長,與其相關(guān)領(lǐng)域的研究也開始受到越來越多研究者的重視。由于視覺獲取到的信息在人類的所有感知器官的比重中占到了80%,所以人工智能在發(fā)展到與人類一樣能感知信息并做出決策的最終階段之前,計算機視覺技術(shù)的發(fā)展顯然異常關(guān)鍵。而其中運動目標(biāo)檢測作為計算機視覺的重要底層處理步驟,有著十分廣泛的應(yīng)用范圍。但是現(xiàn)有的運動目標(biāo)檢測算法仍存在著魯棒性、檢測精度和實時性等多重問題,所以具有較大的提升空間和研究意義。總的來說,本文的主要工作內(nèi)容以及創(chuàng)新點可以用以下幾點概括:1、總結(jié)傳統(tǒng)的目標(biāo)檢測算法,將這些算法粗略分為:幀間差分法、背景減除法、光流法以及基于魯棒主成分分析法的目標(biāo)檢測。在對它們的原理進行分別概述之后,歸納了這些算法的優(yōu)缺點。雖然它們有的原理簡單、計算速度快,或是在特定的場景下得到的檢測結(jié)果精度較高,但是總的來說都不能滿足實際應(yīng)用的需求。2、介紹了魯棒主成分分析模型(RPCA)的起源和原理,對于幾種魯棒主成分分析模型算法進行一系列闡述,總結(jié)得到了它們普遍存在的三個問題:奇異值分解步驟的計算量大;不適用于實時性要求較高的場景;樣本占用內(nèi)存大。3、針對在線魯棒主成分分析算法...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及來源
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 目標(biāo)檢測方法
    1.4 本文主要內(nèi)容及結(jié)構(gòu)
第2章 魯棒主成分分析法
    2.1 魯棒主成分分析法簡介
    2.2 魯棒主成分分析模型算法
        2.2.1 迭代閾值算法
        2.2.2 加速近端梯度算法
        2.2.3 對偶算法
        2.2.4 增廣拉格朗日乘子法
        2.2.5 L₁濾波方法
    2.3 魯棒主成分分析法的應(yīng)用
    2.4 本章小結(jié)
第3章 基于在線魯棒主成分分析的運動目標(biāo)檢測
    3.1 引言
    3.2 在線魯棒主成分分析法
    3.3 改進的OR-PCA目標(biāo)檢測方法
        3.3.1 框架分析
        3.3.2 算法實現(xiàn)
    3.4 實驗結(jié)果及分析
    3.5 本章小結(jié)
第4章 結(jié)合超像素的OR-PCA運動目標(biāo)檢測
    4.1 引言
    4.2 超像素理論
    4.3 超像素分割下的在線主成分分析運動目標(biāo)檢測
    4.4 目標(biāo)檢測軟件設(shè)計及實現(xiàn)
        4.4.1 目標(biāo)檢測軟件框架
        4.4.2 系統(tǒng)界面
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
在校期間發(fā)表的學(xué)術(shù)論文及研究成果



本文編號：3917057