發(fā)布時間：2018-01-14 07:47

  本文關(guān)鍵詞：基于特征學(xué)習(xí)的目標(biāo)檢測與跟蹤技術(shù)研究　出處：《中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 特征描述 Haar-like特征 分類器 多實例 在線學(xué)習(xí)

【摘要】：目標(biāo)檢測與跟蹤技術(shù)研究作為圖像處理與模式識別領(lǐng)域的一個重要研究課題,有著非常廣泛的應(yīng)用前景,應(yīng)用領(lǐng)域涉及公共安全、智能交通、視頻檢索、行為分析、人機(jī)交互等行業(yè)。本文在研究傳統(tǒng)目標(biāo)檢測與跟蹤算法的基礎(chǔ)上,發(fā)現(xiàn)大多跟蹤算法在跟蹤過程中都因環(huán)境光照變化、目標(biāo)姿態(tài)變化和被遮擋等導(dǎo)致跟蹤失敗。究其原因可能是由于選用的描述特征不具有良好的不變性或分類器選取不合理導(dǎo)致的。為此,本文圍繞著如何選擇合適的特征描述以及創(chuàng)建合理的分類器兩個方面,就基于特征學(xué)習(xí)的目標(biāo)檢測與跟蹤算法展開研究�；谔卣鲗W(xué)習(xí)的目標(biāo)檢測方面,本文詳細(xì)介紹了基于Haar-like特征描述的Adaboost學(xué)習(xí)算法,這種算法通過構(gòu)建二元分類器,利用分類器對目標(biāo)與背景進(jìn)行判定,其過程主要包括目標(biāo)表示與訓(xùn)練學(xué)習(xí)分類器兩個步驟。Haar-like特征之所以能夠很好的描述目標(biāo)是因為任意位置與尺度的圖像塊對不同種類Haar-like特征的響應(yīng)(特征值)會不同,因此只要選擇合適(尺度與位置)的特征組合便可完整、準(zhǔn)確地表示目標(biāo);訓(xùn)練學(xué)習(xí)采用Adaboost算法將弱分類器組合成強分類器,提升分類器檢測效果。該算法在目標(biāo)檢測中已經(jīng)取得了較好的成果,但是由于特征不具有良好的不變性,致使算法的魯棒性較差。文中首先采用LBP算子對圖像進(jìn)行重新編碼,然后使用歸一化Haar-like特征表示目標(biāo),新的特征描述具有更好的光照和尺度不變性,使目標(biāo)檢測算法能夠適應(yīng)更多的應(yīng)用場景。實驗結(jié)果表明經(jīng)過特征改進(jìn)后的算法魯棒性更強、檢測效果也得到進(jìn)一步提升�；谔卣鲗W(xué)習(xí)的目標(biāo)跟蹤方面,由于基于特征學(xué)習(xí)的目標(biāo)檢測算法是通過離線學(xué)習(xí)的方法訓(xùn)練檢測子,此方法訓(xùn)練耗時且僅針對特定目標(biāo)進(jìn)行檢測,很顯然不能基于這樣的檢測流程對目標(biāo)進(jìn)行跟蹤�？紤]到多實例在線學(xué)習(xí)(MIL)能夠較好地解決基于檢測的跟蹤算法由于長時間處于無監(jiān)督學(xué)習(xí)狀態(tài)導(dǎo)致模板漂移的問題,文中將其引入跟蹤框架中。該算法通過在線采樣的方式構(gòu)造訓(xùn)練樣本,采用Haar-like特征對目標(biāo)進(jìn)行描述,基于Online boosting學(xué)習(xí)算法選擇分類器,通過實驗發(fā)現(xiàn)其能夠適應(yīng)大多數(shù)簡單場景,但是在復(fù)雜環(huán)境下算法表現(xiàn)欠佳。究其原因可能出現(xiàn)在目標(biāo)表示和分類器學(xué)習(xí)上。首先特征描述缺乏不變性;其次是為滿足實時性要求,算法依賴的弱特征(弱分類器)池中弱分類器數(shù)量本身就有限,而且原算法采用隨機(jī)選取的方法,選擇弱分類器時存在一定的盲目性;再者通過線性組合弱分類器得到強分類器,相當(dāng)于每個弱分類器對最終檢測子的貢獻(xiàn)一樣,與實際情況不符。因此文中采用歸一化的Haar-like特征和類Adaboost的算法選擇分類器來實現(xiàn)目標(biāo)跟蹤。為驗證本文算法的有效性,文中采用大量數(shù)據(jù)集進(jìn)行實驗論證,同時與跟蹤效果與時效性都比較不錯的MIL、CT算法進(jìn)行了對比實驗。該方法不僅能夠適應(yīng)更多復(fù)雜場景,同時也能在一定程度上適應(yīng)目標(biāo)微小形變、旋轉(zhuǎn)和被遮擋的情況。但該算法也存在著不足,當(dāng)目標(biāo)被嚴(yán)重遮擋或消失后重現(xiàn)算法失效。
[Abstract]:An important research topic in research on target detection and tracking as image processing and pattern recognition, has a very broad application prospects and application fields of public safety, intelligent transportation, video retrieval, behavior analysis, human-computer interaction and other industries. Based on the detection and tracking algorithm of traditional targets, found mostly in tracking the algorithm in the tracking process because of the change of illumination, pose variations and occlusion cause tracking failure. The reason may be due to the selection of features does not have good invariance or classifier selection unreasonable. Therefore, this paper focuses on how to choose the appropriate description of the features of the two aspects and create a reasonable the classifier, feature learning algorithm based on target detection and tracking is researched. Characteristics of learning on target detection, this paper introduces in detail based on Ha Adaboost learning algorithm AR-like description, this algorithm constructs two element classifier of target and background are determined by the classifier, which mainly includes object representation learning classifier two steps.Haar-like features and training can be a good description of the target image block is because any position and scale of the response characteristics of the different kinds of Haar-like (eigenvalues) will be different, so long as appropriate (position and scale) combination of features can be complete, accurate representation of the target; trained by Adaboost algorithm to weak classifiers combined into a strong classifier, improve the detection effect of classifier. This algorithm has achieved good results in target detection, but not due to the characteristics of has a good invariance, resulting in the poor robustness of the algorithm. Firstly, LBP operator is used to re encoding of the image, then use. Haar-like said the target feature, the new feature description has better illumination and scale invariance, the target detection algorithm can adapt to more scenarios. The experimental results show that the algorithm has better robustness characteristics improved, detection effect has also been further improved. Based on the characteristics of the learning object tracking, due to the characteristics of the learning goals detection algorithm based on the method is through the off-line learning training test, this training method is time-consuming and only for specific target detection, obviously not based on this detection process for target tracking. Considering the multiple instances of online learning (MIL) can be used to solve the tracking algorithm based on the detection of the long time in unsupervised learning state result of template drift problem, this paper will introduce the tracking framework. Construct training samples through the algorithm of online sampling, using Haa To describe the target R-like feature, Online boosting learning algorithm based on classifier selection, found through experiments which can adapt to the most simple scene, but in the algorithm under complex environment is poor. The reason for this may appear in the target representation and classifier learning. First description of the features of lack of invariance; second is to meet the real-time requirements of weak feature algorithm dependent (weak classifiers) the number of weak classifier pool itself is limited, but the original algorithm uses methods, the blindness of selecting certain weak classifiers; and a strong classifier by a linear combination of weak classifiers, each weak classifier is equivalent to the final detection sub contribution, inconsistent with the actual situation. So the Haar-like features and Adaboost normalization algorithm selection classifier to realize target tracking. In order to verify the method of The effect of a large number of data sets is demonstrated in the paper and the tracking effect and timeliness are relatively good MIL, CT algorithm are compared. The method can not only adapt to more complex scenes, but also can adapt to the small deformation target in a certain extent, rotation and obscured. But the algorithm there are also some shortcomings, when severe occlusion or disappeared after reconstruction failure.

【學(xué)位授予單位】：中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭紅玲;程顯毅;;多分類器選擇集成方法[J];計算機(jī)工程與應(yīng)用;2009年13期

2 呂岳,施鵬飛,趙宇明;多分類器組合的投票表決規(guī)則[J];上海交通大學(xué)學(xué)報;2000年05期

3 韓宏;楊靜宇;;多分類器組合及其應(yīng)用[J];計算機(jī)科學(xué);2000年01期

4 陳剛,戚飛虎;多分類器結(jié)合的人臉識別[J];上海交通大學(xué)學(xué)報;2001年02期

5 韓宏,楊靜宇,婁震;基于層次的分類器組合[J];南京理工大學(xué)學(xué)報(自然科學(xué)版);2002年01期

6 趙誼虹,程國華,史習(xí)智;多分類器融合中一種新的加權(quán)算法[J];上海交通大學(xué)學(xué)報;2002年06期

7 王正群,葉暉,孫興華,楊靜宇;模糊多分類器組合[J];小型微型計算機(jī)系統(tǒng);2003年01期

8 楊利英,覃征,王向華;多分類器融合實現(xiàn)機(jī)型識別[J];計算機(jī)工程與應(yīng)用;2004年15期

9 楊利英,覃征,王衛(wèi)紅;多分類器融合系統(tǒng)設(shè)計與應(yīng)用[J];計算機(jī)工程;2005年05期

10 陳湘;;1-范數(shù)軟間隔分類器的風(fēng)險[J];湖北大學(xué)學(xué)報(自然科學(xué)版);2006年02期

相關(guān)會議論文 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級分類器的垃圾短信過濾方法[A];第五屆全國信息檢索學(xué)術(shù)會議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗證對象集分類器的再訓(xùn)練演進(jìn)[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機(jī)手寫識別筆段特征分類器的學(xué)習(xí)方法[A];黑龍江省計算機(jī)學(xué)會2009年學(xué)術(shù)交流年會論文集[C];2010年

4 穆明生;;基于特征集的多種分類器模型的在線筆跡認(rèn)證[A];第十屆全國信號處理學(xué)術(shù)年會（CCSP-2001）論文集[C];2001年

5 彭濤;左萬利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(shù)(英文)[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2006年

6 王嵐;陳珂;遲惠生;;基于多特征組合多分類器的方法用于“與文本無關(guān)”的說話人辨認(rèn)[A];第四屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集[C];1996年

7 謝秋玲;;應(yīng)用于心電圖分類的KNN-SVM分類器研究[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見青;;基于級聯(lián)分類器的快速人臉檢測方法[A];計算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認(rèn)知結(jié)構(gòu)評估的動態(tài)貝葉斯網(wǎng)絡(luò)分類器方法[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

10 邵小健;段華;賀國平;;一種改進(jìn)的最少核分類器[A];中國運籌學(xué)會第七屆學(xué)術(shù)交流會論文集（上卷）[C];2004年

相關(guān)重要報紙文章 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報;2000年

相關(guān)博士學(xué)位論文 前10條

1 張非;對抗逃避攻擊的防守策略研究[D];華南理工大學(xué);2015年

2 張文博;多類別智能分類器方法研究[D];西安電子科技大學(xué);2014年

3 許勁松;智能交通中目標(biāo)檢測與分類關(guān)鍵技術(shù)研究[D];南京理工大學(xué);2014年

4 趙作林;基于圖像分析的北京地區(qū)楊樹種類識別研究[D];北京林業(yè)大學(xué);2015年

5 任亞峰;基于標(biāo)注和未標(biāo)注數(shù)椐的虛假評論識別研究[D];武漢大學(xué);2015年

6 曹鵬;不均衡數(shù)據(jù)分類方法的研究[D];東北大學(xué);2014年

7 劉明;分類器組合技術(shù)研究及其在人機(jī)交互系統(tǒng)中的應(yīng)用[D];北京交通大學(xué);2008年

8 嚴(yán)志永;在劃分?jǐn)?shù)據(jù)空間的視角下基于決策邊界的分類器研究[D];浙江大學(xué);2011年

9 王U，

本文編號：1422687