發(fā)布時(shí)間：2020-11-07 11:03

　　 基于相關(guān)濾波器的目標(biāo)跟蹤算法是視覺(jué)分析領(lǐng)域中最火熱的子方向之一,在安防、機(jī)器人、自動(dòng)駕駛、智能交通等多個(gè)行業(yè)有著可觀的前景和實(shí)用價(jià)值。但是受限于相關(guān)濾波器內(nèi)在的邊界效應(yīng)、高風(fēng)險(xiǎn)的更新策略以及在線訓(xùn)練存在的穩(wěn)定性-可塑性窘境,單一的相關(guān)濾波器在許多情況下都無(wú)法滿足實(shí)際應(yīng)用的需求。因此,本文重點(diǎn)研究通過(guò)多分類器融合的方式來(lái)解決相關(guān)濾波器的缺陷以實(shí)現(xiàn)在多種復(fù)雜情況下對(duì)目標(biāo)的準(zhǔn)確跟蹤。標(biāo)準(zhǔn)的相關(guān)濾波器由于使用循環(huán)樣本訓(xùn)練嶺回歸分類器產(chǎn)生了內(nèi)在的邊界效應(yīng)。針對(duì)相關(guān)濾波器的邊界效應(yīng),本文利用顏色直方圖特征對(duì)變形與分辨率不敏感的優(yōu)點(diǎn),構(gòu)建一個(gè)基于顏色直方圖的貝葉斯分類器以準(zhǔn)確跟蹤低分辨率、快速變形等場(chǎng)景下的目標(biāo),并通過(guò)集成學(xué)習(xí)的方式在相關(guān)濾波器的基礎(chǔ)上加權(quán)集成貝葉斯分類器,通過(guò)優(yōu)勢(shì)互補(bǔ)的方式緩解邊界效應(yīng)的負(fù)面影響。隨后著眼于缺乏顏色信息的灰度視頻序列,提出了一種基于局部敏感直方圖的貝葉斯分類器。最后提出了一種高置信度更新策略以防止貝葉斯分類器與相關(guān)濾波器的模型學(xué)習(xí)腐壞樣本而導(dǎo)致漂移。定量和定性的實(shí)驗(yàn)證明,本文所提出的解決方法均在不同程度上提升了跟蹤算法的性能�，F(xiàn)有的相關(guān)濾波器與貝葉斯分類器因?yàn)樵诰�更新而存在的穩(wěn)定性-可塑性窘境以及為快速適應(yīng)目標(biāo)的變化而使用的高風(fēng)險(xiǎn)更新策略,導(dǎo)致目標(biāo)遭遇嚴(yán)重遮擋與移出視野等跟蹤場(chǎng)景后,跟蹤模型將快速漂移。針對(duì)在線分類器的高風(fēng)險(xiǎn)更新策略,本文根據(jù)在線分類器的響應(yīng)峰值與其歷史均值的關(guān)系,通過(guò)提升優(yōu)質(zhì)樣本的權(quán)重,降低劣質(zhì)樣本的權(quán)重來(lái)提高分類器的性能,提出一個(gè)隨樣本質(zhì)量自適應(yīng)調(diào)整的學(xué)習(xí)率模型。最后為解決在線更新存在的穩(wěn)定性-可塑性窘境,本文通過(guò)將基礎(chǔ)跟蹤算法與在線軟間隔支持向量機(jī)共同組成重檢測(cè)模塊提出了一種輔助重檢測(cè)方法。經(jīng)過(guò)大量的實(shí)驗(yàn)驗(yàn)證,本文所提出的基于多分類器融合的長(zhǎng)期目標(biāo)跟蹤算法在目標(biāo)遭遇快速運(yùn)動(dòng)、嚴(yán)重遮擋、移出視野等情況時(shí),均能可靠準(zhǔn)確地跟蹤目標(biāo)。
【學(xué)位單位】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP18;TN713
【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 相關(guān)濾波器類目標(biāo)跟蹤算法
        1.2.2 卷積神經(jīng)網(wǎng)絡(luò)類目標(biāo)跟蹤算法
    1.3 本文的研究?jī)?nèi)容及章節(jié)安排
第2章 相關(guān)濾波器理論
    2.1 引言
    2.2 相關(guān)濾波器
        2.2.1 圖像特征
        2.2.2 嶺回歸
        2.2.3 循環(huán)矩陣與密集采樣
        2.2.4 余弦窗
        2.2.5 核技巧
        2.2.6 模型更新
    2.3 尺度相關(guān)濾波器
    2.4 本章小結(jié)
第3章 基于融合的目標(biāo)跟蹤算法
    3.1 引言
    3.2 貝葉斯分類器
        3.2.1 貝葉斯決策理論
        3.2.2 貝葉斯分類器
    3.3 局部敏感直方圖
    3.4 分類器融合
    3.5 高置信度更新策略
    3.6 實(shí)驗(yàn)結(jié)果和分析
        3.6.1 評(píng)價(jià)標(biāo)準(zhǔn)
        3.6.2 組件分析
        3.6.3 對(duì)比實(shí)驗(yàn)
        3.6.4 定性分析
    3.7 本章小結(jié)
第4章 基于多分類器融合的長(zhǎng)期目標(biāo)跟蹤算法
    4.1 引言
    4.2 基于多分類器融合的長(zhǎng)期目標(biāo)跟蹤算法
        4.2.1 長(zhǎng)期跟蹤概述
        4.2.2 基礎(chǔ)跟蹤算法
        4.2.3 自適應(yīng)學(xué)習(xí)率
        4.2.4 在線支持向量機(jī)
        4.2.5 輔助重檢測(cè)
    4.3 快速尺度相關(guān)濾波器
        4.3.1 主成分分析
        4.3.2 快速尺度相關(guān)濾波器
    4.4 實(shí)驗(yàn)結(jié)果和分析
        4.4.1 組件分析
        4.4.2 對(duì)比實(shí)驗(yàn)
        4.4.3 定性分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李敏;李華;程茂華;;一種自適應(yīng)子融合集成多分類器方法[J];計(jì)算機(jī)測(cè)量與控制;2019年04期

2 黎平;劉萍;張巡;范郁鋒;;基于分類器的身份證號(hào)碼識(shí)別研究[J];貴州科學(xué);2018年01期

3 王忠民;王科;賀炎;;一種基于多分類器融合的人體運(yùn)動(dòng)行為識(shí)別模型[J];計(jì)算機(jī)科學(xué);2016年12期

4 鄒洪俠;陶碩;;一種代價(jià)敏感的三類分類器評(píng)估方法的研究與應(yīng)用[J];通化師范學(xué)院學(xué)報(bào);2017年08期

5 牛明昂;王強(qiáng);崔希民;趙康年;柴鵬輝;;多分類器融合與單分類器影像分類比較研究[J];礦山測(cè)量;2016年04期

6 趙藝淞;王保云;黎曉路;王婷;;基于多分類器組合的城市不透水面提取研究[J];城市地理;2017年04期

7 何舒煒;;《垃圾分類器》[J];輔導(dǎo)員;2016年11期

8 李健蘋;游中勝;;一種新的多分類器融合方法[J];西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

9 蘭遠(yuǎn)東;曾樹洪;;動(dòng)態(tài)加權(quán)投票的多分類器聚合[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2014年05期

10 林煜明;朱濤;王曉玲;周傲英;;面向用戶觀點(diǎn)分析的多分類器集成和優(yōu)化技術(shù)[J];計(jì)算機(jī)學(xué)報(bào);2013年08期

相關(guān)博士學(xué)位論文 前10條

1 孫宸;PolSAR圖像大間隔學(xué)習(xí)分類器設(shè)計(jì)及應(yīng)用[D];西安電子科技大學(xué);2017年

2 于愛(ài)華;基于壓縮感知人臉識(shí)別技術(shù)的研究[D];浙江工業(yè)大學(xué);2017年

3 雷浩川;多分類器集成的遙感影像分類研究[D];中國(guó)地質(zhì)大學(xué)(北京);2018年

4 馮曉東;基于軟概率的分類器動(dòng)態(tài)集成方法研究[D];重慶大學(xué);2018年

5 陳木生;基于欠采樣和不平衡集成分類的垃圾網(wǎng)頁(yè)檢測(cè)研究[D];南昌大學(xué);2018年

6 陳海霞;面向數(shù)據(jù)挖掘的分類器集成研究[D];吉林大學(xué);2006年

7 王衛(wèi)東;高維小樣本數(shù)據(jù)的特征提取及分類器算法研究[D];南京理工大學(xué);2007年

8 劉杰;乘員類型的自動(dòng)識(shí)別及其在智能乘員約束系統(tǒng)中的應(yīng)用[D];吉林大學(xué);2007年

9 吳尉林;可移植的穩(wěn)健口語(yǔ)理解方法研究[D];上海交通大學(xué);2007年

10 章軍;小生境粒子群優(yōu)化算法及其在多分類器集成中的應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 戴偉聰;基于多分類器融合的長(zhǎng)期目標(biāo)跟蹤算法研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所);2019年

2 張婕;基于級(jí)聯(lián)多分類器融合的宮頸癌細(xì)胞識(shí)別技術(shù)的研究[D];哈爾濱理工大學(xué);2019年

3 孫帥;廣播頻段頻譜信號(hào)處理的機(jī)器學(xué)習(xí)算法研究[D];武漢理工大學(xué);2018年

4 張中巖;基于集成分類器的微傅情感分類研究[D];廈門大學(xué);2017年

5 朱欣怡;離散屬性貝葉斯網(wǎng)絡(luò)分類器的研究[D];山東師范大學(xué);2018年

6 郝振華;基于視頻監(jiān)控的室內(nèi)智能火災(zāi)檢測(cè)技術(shù)研究[D];長(zhǎng)安大學(xué);2018年

7 李小虎;連續(xù)屬性貝葉斯網(wǎng)絡(luò)分類器的學(xué)習(xí)與研究[D];山東師范大學(xué);2018年

8 后方帥;基于單音的西洋樂(lè)器音色識(shí)別方法研究[D];山東大學(xué);2018年

9 李經(jīng)善;基于低秩分解的分類算法設(shè)計(jì)與實(shí)現(xiàn)[D];揚(yáng)州大學(xué);2018年

10 孫銘;基于多分類器的不完整數(shù)據(jù)的分類關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

本文編號(hào)：2873852