一些由于不可測原因未達(dá)到足月便出生的嬰兒,由于出生時的一些先天缺陷,產(chǎn)生腦性癱瘓、精神發(fā)育遲滯等嚴(yán)重的神經(jīng)發(fā)育障礙的風(fēng)險(xiǎn)明顯增高。神經(jīng)發(fā)育結(jié)局異常的小嬰兒早期在行為上表現(xiàn)為全身運(yùn)動模式的異常,如在足月前及足月后1個月整體運(yùn)動順序缺乏變化性、單調(diào),運(yùn)動的幅度、速度和強(qiáng)度小。而在足月后2至5月齡觀察不到遍布全身的各方向的小幅度中速運(yùn)動,運(yùn)動不流暢不協(xié)調(diào)。醫(yī)生根據(jù)這些行為特點(diǎn)對小嬰兒發(fā)育行為進(jìn)行評判,并對評估異常的小嬰兒給予早期干預(yù),從而改善不良神經(jīng)發(fā)育結(jié)局,這對治療神經(jīng)發(fā)育障礙性疾病,扭轉(zhuǎn)其不良發(fā)育結(jié)局有很重要的意義。本文研究的目的是考慮是否可以用計(jì)算機(jī)視覺加機(jī)器學(xué)習(xí)的方法,代替?zhèn)鹘y(tǒng)人工判斷,以提高效率。首先,本文對嬰兒的異常行為進(jìn)行了分析,選擇對嬰兒進(jìn)行目標(biāo)跟蹤,以觀察其運(yùn)動時的各項(xiàng)數(shù)據(jù)變化。分析傳統(tǒng)的Meanshift跟蹤算法后發(fā)現(xiàn),該算法簡單且非常適用于本文的單一背景樣本視頻,但考慮其判斷的條件較為簡單,在原有算法的基礎(chǔ)上進(jìn)行改進(jìn),提出基于注意力機(jī)制的關(guān)于嬰兒的目標(biāo)跟蹤算法,以更加適應(yīng)本文的視頻樣本的跟蹤。彌補(bǔ)Meanshift算子存在的一些缺陷,并在嬰兒樣本的跟蹤上取得了不錯的跟蹤... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

嬰兒（2）梯度特征

吉林大學(xué)碩士學(xué)位論文8圖2.2圖像HOG特征提取流程圖圖2.3嬰兒及HOG特征圖（3）多尺度特征圖像的多尺度特征，也是一個經(jīng)常用來分析的特征。所謂的多尺度特征，就是建立多個不同尺度坐標(biāo)系對同一目標(biāo)圖像進(jìn)行分析。這樣一幅圖像放在不同的尺度下，會有不同的信息特征表述，這些信息特征有相同的，也有不同的關(guān)鍵點(diǎn)，將其中相同的關(guān)鍵點(diǎn)進(jìn)行匹配，所提取出的就是不論尺度如何變化，自身都不會變的特性，即尺度不變性。通過對多尺度的圖像特征分析，可以得到對目標(biāo)圖像的綜合的理解和應(yīng)用。對于多尺度空間，其實(shí)質(zhì)就是尋找合適的核函數(shù)，利用核函數(shù)可以產(chǎn)生不同的關(guān)于尺度的描述，對于一幅二維圖像，它的的多尺度空間可表示為：

吉林大學(xué)碩士學(xué)位論文8圖2.2圖像HOG特征提取流程圖圖2.3嬰兒及HOG特征圖（3）多尺度特征圖像的多尺度特征，也是一個經(jīng)常用來分析的特征。所謂的多尺度特征，就是建立多個不同尺度坐標(biāo)系對同一目標(biāo)圖像進(jìn)行分析。這樣一幅圖像放在不同的尺度下，會有不同的信息特征表述，這些信息特征有相同的，也有不同的關(guān)鍵點(diǎn)，將其中相同的關(guān)鍵點(diǎn)進(jìn)行匹配，所提取出的就是不論尺度如何變化，自身都不會變的特性，即尺度不變性。通過對多尺度的圖像特征分析，可以得到對目標(biāo)圖像的綜合的理解和應(yīng)用。對于多尺度空間，其實(shí)質(zhì)就是尋找合適的核函數(shù)，利用核函數(shù)可以產(chǎn)生不同的關(guān)于尺度的描述，對于一幅二維圖像，它的的多尺度空間可表示為：

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的魯棒高精度目標(biāo)跟蹤算法[J]. 李康,李亞敏,胡學(xué)敏,邵芳.  電子學(xué)報(bào). 2018(09)
[2]尺度自適應(yīng)的HLBP紋理特征目標(biāo)跟蹤算法[J]. 杜靜雯,黃山.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(07)
[3]自適應(yīng)HLBP紋理特征的Meanshift目標(biāo)跟蹤算法[J]. 杜靜雯,黃山,楊雙祥.  計(jì)算機(jī)科學(xué). 2017(S2)
[4]一種基于改進(jìn)型meanshift算法的運(yùn)動目標(biāo)跟蹤方法[J]. 周越,張帆,夏彩鳳.  科技經(jīng)濟(jì)導(dǎo)刊. 2017(21)
[5]基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法研究[J]. 陸平,鄧碩,李偉華.  中興通訊技術(shù). 2017(04)
[6]基于Contourlet和MeanShift的交通視頻車輛跟蹤算法[J]. 王相海,劉美瑤,蘇元賀,方玲玲,宋傳鳴.  遼寧師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[7]基于生成式模型的目標(biāo)跟蹤方法綜述[J]. 朱文青,劉艷,卞樂,張子龍.  微處理機(jī). 2017(01)
[8]自適應(yīng)窗口的meanshift目標(biāo)跟蹤算法[J]. 陳菲,黃勇堅(jiān),李淑彥,張舟.  電子技術(shù). 2016(05)
[9]HLBP紋理特征Mean Shift目標(biāo)跟蹤算法[J]. 楊德紅,閆河,劉婕,王樸.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(04)
[10]基于HASH感知和小波變換的目標(biāo)跟蹤算法[J]. 趙琳,王秋帆,劉源,郝勇.  系統(tǒng)工程與電子技術(shù). 2016(04)

博士論文
[1]復(fù)雜場景下的運(yùn)動目標(biāo)檢測與跟蹤研究[D]. 王歡.北京理工大學(xué) 2015
[2]智能視頻監(jiān)控中目標(biāo)檢測、跟蹤和識別方法研究[D]. 夏東.國防科學(xué)技術(shù)大學(xué) 2012
[3]全身運(yùn)動（GMs）評估在高危兒運(yùn)動發(fā)育隨訪中的應(yīng)用研究[D]. 楊紅.復(fù)旦大學(xué) 2009

碩士論文
[1]基于視頻監(jiān)控的目標(biāo)檢測與跟蹤算法研究[D]. 姜丹.西安理工大學(xué) 2018
[2]基于深度學(xué)習(xí)的手勢跟蹤方法研究[D]. 楊燕平.電子科技大學(xué) 2018
[3]視頻監(jiān)控中行人異常行為分析研究[D]. 高翔.電子科技大學(xué) 2018
[4]視頻監(jiān)控下實(shí)時異常行為檢測研究[D]. 師哲.南京郵電大學(xué) 2017
[5]應(yīng)用Contourlet變換的目標(biāo)跟蹤算法研究[D]. 王雯.蘭州理工大學(xué) 2016



本文編號：3383981