目標(biāo)識(shí)別與跟蹤在模式識(shí)別領(lǐng)域已經(jīng)取得了很多優(yōu)秀的研究成果,但針對(duì)紅外成像目標(biāo)的識(shí)別率、運(yùn)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(yīng)用出發(fā),采用基于機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)目標(biāo)識(shí)別與跟蹤。首先,本文分析紅外成像的原理及特性,改進(jìn)基于重構(gòu)優(yōu)化的紅外目標(biāo)顯著性檢測(cè)方法。首先分析紅外成像的先驗(yàn)知識(shí),引入基于外觀的紅外顯著性增強(qiáng),提高目標(biāo)與背景的對(duì)比度,然后采用多尺度對(duì)比度增強(qiáng)算法提高目標(biāo)顯著性,由于目標(biāo)與背景間的亮度差異,采用混合高斯模型構(gòu)建紅外圖像的梯度概率分布圖,分離目標(biāo)與背景;最后,基于紅外成像的先驗(yàn)增強(qiáng)與目標(biāo)顯著性構(gòu)建能量方程,使用隨機(jī)游走算法計(jì)算最優(yōu)解。在大量的交通道路監(jiān)控圖像上實(shí)驗(yàn)表明,改進(jìn)的顯著性檢測(cè)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(jìn)了可支持向量機(jī)(Support Vector Machine,SVM)分類器的成本評(píng)價(jià)方式。對(duì)于傳統(tǒng)的SVM分類器,樣本錯(cuò)誤分類的代價(jià)是相同的,訓(xùn)練分類器通過(guò)尋找使總錯(cuò)誤分類代價(jià)最小化的超平面分割函數(shù),并通過(guò)錯(cuò)誤率評(píng)估分類器。但由于樣本自身的復(fù)雜性,對(duì)于不同樣本采用同樣的成本評(píng)估代價(jià)并不合理,本文采用最小化經(jīng)驗(yàn)...

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 目標(biāo)檢測(cè)
        1.2.2 目標(biāo)識(shí)別
        1.2.3 目標(biāo)跟蹤
    1.3 研究?jī)?nèi)容與章節(jié)安排
        1.3.1 研究?jī)?nèi)容
        1.3.2 章節(jié)安排
2 紅外目標(biāo)的顯著性重構(gòu)與檢測(cè)
    2.1 基于先驗(yàn)知識(shí)的紅外圖像顯著性增強(qiáng)
        2.1.1 紅外成像簡(jiǎn)介
        2.1.2 紅外成像的熱輻射先驗(yàn)增強(qiáng)
    2.2 基于局部與全局特征的目標(biāo)顯著性重構(gòu)
        2.2.1 基于EMC的圖像增強(qiáng)
        2.2.2 基于LGS的圖像增強(qiáng)
    2.3 基于重構(gòu)模型的紅外圖像顯著性增強(qiáng)
        2.3.1 隨機(jī)游走法
        2.3.2 紅外顯著性重構(gòu)模型
    2.4 實(shí)驗(yàn)結(jié)果與分析
        2.4.1 評(píng)估指標(biāo)
        2.4.2 算法對(duì)比分析
    2.5 本章小結(jié)
3 紅外圖像的目標(biāo)識(shí)別
    3.1 SVM簡(jiǎn)介
        3.1.1 核函數(shù)的選擇
        3.1.2 樣本的客觀成本代價(jià)
    3.2 改進(jìn)SVM分類器
        3.2.1 改進(jìn)客觀成本評(píng)價(jià)標(biāo)準(zhǔn)
        3.2.2 基于SVM的多分類器設(shè)計(jì)
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 改進(jìn)的SVM的評(píng)價(jià)成本分析
        3.3.2 樣本錯(cuò)誤率分析
    3.4 本章小結(jié)
4 目標(biāo)定位與跟蹤
    4.1 基于在線學(xué)習(xí)的核相關(guān)濾波器
        4.1.1 相關(guān)濾波器原理
        4.1.2 訓(xùn)練樣本獲取
        4.1.3 嶺回歸分類器
    4.2 基于運(yùn)動(dòng)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(jìn)的融合濾波器跟蹤模型
        4.3.1 融合濾波器模型設(shè)計(jì)
        4.3.2 尺度估計(jì)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 評(píng)價(jià)指標(biāo)
        4.4.2 算法對(duì)比分析
    4.5 本章小結(jié)
結(jié)論
    1.本文工作總結(jié)
    2. 后續(xù)工作
致謝
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果



本文編號(hào)：3780111