隨著人工智能技術(shù)爆發(fā)式的增長(zhǎng),與其相關(guān)領(lǐng)域的研究也開(kāi)始受到越來(lái)越多研究者的重視。由于視覺(jué)獲取到的信息在人類(lèi)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(lèi)一樣能感知信息并做出決策的最終階段之前,計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展顯然異常關(guān)鍵。而其中運(yùn)動(dòng)目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺(jué)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(yùn)動(dòng)目標(biāo)檢測(cè)算法仍存在著魯棒性、檢測(cè)精度和實(shí)時(shí)性等多重問(wèn)題,所以具有較大的提升空間和研究意義。總的來(lái)說(shuō),本文的主要工作內(nèi)容以及創(chuàng)新點(diǎn)可以用以下幾點(diǎn)概括:1、總結(jié)傳統(tǒng)的目標(biāo)檢測(cè)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(cè)。在對(duì)它們的原理進(jìn)行分別概述之后,歸納了這些算法的優(yōu)缺點(diǎn)。雖然它們有的原理簡(jiǎn)單、計(jì)算速度快,或是在特定的場(chǎng)景下得到的檢測(cè)結(jié)果精度較高,但是總的來(lái)說(shuō)都不能滿(mǎn)足實(shí)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(duì)于幾種魯棒主成分分析模型算法進(jìn)行一系列闡述,總結(jié)得到了它們普遍存在的三個(gè)問(wèn)題:奇異值分解步驟的計(jì)算量大;不適用于實(shí)時(shí)性要求較高的場(chǎng)景;樣本占用內(nèi)存大。3、針對(duì)在線(xiàn)魯棒主成分分析算法...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及來(lái)源
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 目標(biāo)檢測(cè)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(jiǎn)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(duì)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(xiàn)魯棒主成分分析的運(yùn)動(dòng)目標(biāo)檢測(cè)
    3.1 引言
    3.2 在線(xiàn)魯棒主成分分析法
    3.3 改進(jìn)的OR-PCA目標(biāo)檢測(cè)方法
        3.3.1 框架分析
        3.3.2 算法實(shí)現(xiàn)
    3.4 實(shí)驗(yàn)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(yùn)動(dòng)目標(biāo)檢測(cè)
    4.1 引言
    4.2 超像素理論
    4.3 超像素分割下的在線(xiàn)主成分分析運(yùn)動(dòng)目標(biāo)檢測(cè)
    4.4 目標(biāo)檢測(cè)軟件設(shè)計(jì)及實(shí)現(xiàn)
        4.4.1 目標(biāo)檢測(cè)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(xiàn)
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(hào)：3917057