目標識別與跟蹤在模式識別領域已經取得了很多優(yōu)秀的研究成果,但針對紅外成像目標的識別率、運行速度以及穩(wěn)定性研究還有待提高。本文從紅外成像在道路監(jiān)控中的應用出發(fā),采用基于機器學習算法實現(xiàn)目標識別與跟蹤。首先,本文分析紅外成像的原理及特性,改進基于重構優(yōu)化的紅外目標顯著性檢測方法。首先分析紅外成像的先驗知識,引入基于外觀的紅外顯著性增強,提高目標與背景的對比度,然后采用多尺度對比度增強算法提高目標顯著性,由于目標與背景間的亮度差異,采用混合高斯模型構建紅外圖像的梯度概率分布圖,分離目標與背景;最后,基于紅外成像的先驗增強與目標顯著性構建能量方程,使用隨機游走算法計算最優(yōu)解。在大量的交通道路監(jiān)控圖像上實驗表明,改進的顯著性檢測算法在精度、召回率和平均誤差等方面優(yōu)于其它算法。其次,本文改進了可支持向量機(Support Vector Machine,SVM)分類器的成本評價方式。對于傳統(tǒng)的SVM分類器,樣本錯誤分類的代價是相同的,訓練分類器通過尋找使總錯誤分類代價最小化的超平面分割函數,并通過錯誤率評估分類器。但由于樣本自身的復雜性,對于不同樣本采用同樣的成本評估代價并不合理,本文采用最小化經驗...

【文章頁數】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景和意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 目標檢測
        1.2.2 目標識別
        1.2.3 目標跟蹤
    1.3 研究內容與章節(jié)安排
        1.3.1 研究內容
        1.3.2 章節(jié)安排
2 紅外目標的顯著性重構與檢測
    2.1 基于先驗知識的紅外圖像顯著性增強
        2.1.1 紅外成像簡介
        2.1.2 紅外成像的熱輻射先驗增強
    2.2 基于局部與全局特征的目標顯著性重構
        2.2.1 基于EMC的圖像增強
        2.2.2 基于LGS的圖像增強
    2.3 基于重構模型的紅外圖像顯著性增強
        2.3.1 隨機游走法
        2.3.2 紅外顯著性重構模型
    2.4 實驗結果與分析
        2.4.1 評估指標
        2.4.2 算法對比分析
    2.5 本章小結
3 紅外圖像的目標識別
    3.1 SVM簡介
        3.1.1 核函數的選擇
        3.1.2 樣本的客觀成本代價
    3.2 改進SVM分類器
        3.2.1 改進客觀成本評價標準
        3.2.2 基于SVM的多分類器設計
    3.3 實驗結果與分析
        3.3.1 改進的SVM的評價成本分析
        3.3.2 樣本錯誤率分析
    3.4 本章小結
4 目標定位與跟蹤
    4.1 基于在線學習的核相關濾波器
        4.1.1 相關濾波器原理
        4.1.2 訓練樣本獲取
        4.1.3 嶺回歸分類器
    4.2 基于運動模型的粒子濾波器
        4.2.1 重要性采樣算法
        4.2.2 粒子濾波器算法
    4.3 改進的融合濾波器跟蹤模型
        4.3.1 融合濾波器模型設計
        4.3.2 尺度估計
    4.4 實驗結果與分析
        4.4.1 評價指標
        4.4.2 算法對比分析
    4.5 本章小結
結論
    1.本文工作總結
    2. 后續(xù)工作
致謝
參考文獻
攻讀學位期間取得的研究成果



本文編號：3780111