学位论文 > 优秀研究生学位论文题录展示

基于SVM的目标跟踪算法研究

作　者: 徐俊格
导　师: 宣士斌
学　校: 广西民族大学
专　业: 计算机应用技术
关键词: 目标跟踪 支持向量机 加权均值飘移 协同训练
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 73次
引　用: 1次
阅　读: 论文下载
 

内容摘要


目标跟踪是计算机视觉领域里一项很重要的工作,它融合了不同领域的先进成果。目前已广泛应用到人机交互、视频监控、军事安全等领域。经典的Mean Shift核跟踪算法具有实时性和准确性兼并的优点,且它易于与其它算法进行融合。但是在复杂背景下MS算法的候选模板内不可避免地包含相当多的背景信息,它们直接导致跟踪精度下降。同时,算法缺少必要的模板更新机制,目标在发生遮挡或是形变时容易发生跟踪失败的情况。针对传统算法存在的问题,尝试在MS算法前加入支持向量机(SVM)分类检测的方法来克服上述问题。通过分类预测,对视频序列一定范围内的像素点进行分类,将其划分为背景点和目标点两类,再在此基础上使用Mean Shift来实现跟踪。在满足一定的实时性条件下提高目标在复杂背景下的跟踪精确度,同时,根据分类的结果,建立新的模板更新机制,有效防止模板不适定的情况。本文主要贡献如下:(1)提出一种基于单个SVM和加权Mean Shift结合的目标跟踪算法。使用基于颜色特征的SVM分类器进行像素点分类预测,再结合对目标点和背景点赋以不同权值的一种新的加权MS算法,实现复杂背景下的目标跟踪,降低背景因素对模板造成的干扰,突出目标点特征。该算法不仅减少了跟踪的迭代次数,同时也提高了跟踪的精确性。(2)根据SVM的分类效果,建立一种模板更新机制,实时地更新模板,有效地防止模板不适定时目标跟踪易发生失败的情况。(3)针对跟踪目标与背景颜色相近时的视频序列,研究如何使用多个基于不同特征的SVM协同训练的方法来实现有效的目标跟踪。

全文目录


摘要  3-4
ABSTRACT  4-9
第一章 绪论  9-14
  1.1 研究背景及意义  9-10
  1.2 国内外发展现状  10-11
  1.3 目标跟踪技术简述  11-12
  1.4 技术难点  12
  1.5 本文的主要工作及结构安排  12-14
第二章 目标跟踪相关技术研究  14-28
  2.1 目标表示  14-15
  2.2 目标特征选取  15-16
  2.3 目标检测方法  16-21
    2.3.1 点检测  16-17
    2.3.2 背景差分法  17-18
    2.3.3 光流法  18-19
    2.3.4 图像分割法  19-21
      2.3.4.1 均值聚类  19
      2.3.4.2 基于图割的图像分割  19-20
      2.3.4.3 活动轮廓  20
      2.3.4.4 监督式学习  20-21
  2.4 目标跟踪方法  21-27
    2.4.1 目标跟踪方法分类  21-22
    2.4.2 均值飘移跟踪算法  22-27
      2.4.2.1 目标表示  22-23
      2.4.2.2 目标建模  23-24
      2.4.2.3 目标候选模型  24
      2.4.2.4 基于Bhattacharyya系数的度量标准  24
      2.4.2.5 距离最小化  24-25
      2.4.2.6 实验分析  25-27
  2.5 本章小结  27-28
第三章 单个SVM的目标跟踪算法  28-41
  3.1 引论  28-29
  3.2 支持向量机理论介绍  29-32
  3.3 单个SVM的目标跟踪算法概述  32-37
    3.3.1 SVM分类  33
    3.3.2 模板更新机制  33-34
    3.3.3 基于目标和背景加权的Mean shift算法  34-37
      3.3.3.1 空间位置加权  34-35
      3.3.3.2 背景点特征加权  35-36
      3.3.3.3 候选模板的加权  36-37
      3.3.3.4 算法框架  37
  3.4 实验结果分析  37-40
  3.5 本章小结  40-41
第四章 多个SVM的目标跟踪算法  41-51
  4.1 样本选取  41-42
  4.2 特征空间和核函数的选取  42-44
    4.2.1 颜色概率直方图HCP  42-43
    4.2.2 梯度方向直方图HOG  43-44
    4.2.3 核函数选取  44
  4.3 协同训练的目标检测算法  44-47
    4.3.1 协同训练  44-45
    4.3.2 合成分类预测图  45-46
    4.3.3 样本筛选  46-47
    4.3.4 模板更新  47
  4.4 多个SVM的目标跟踪算法  47
  4.5 实验结果分析  47-50
  4.6 本章小结  50-51
第五章 结束语  51-53
  5.1 工作总结  51
  5.2 未来展望  51-53
参考文献  53-57
致谢  57-58
攻读硕士期间发表的学术论文  58-59
攻读硕士期间参与的科研项目  59

相似论文

  1. 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
  2. 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
  3. 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
  4. 带径向速度观测的跟踪算法研究,TN953
  5. 基于VRPF的机动目标跟踪的研究,TN957.52
  6. 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
  7. 音乐结构自动分析研究,TN912.3
  8. 多传感器组网及反隐身、抗干扰接力跟踪技术研究,TN953
  9. 基于三维重建的焊点质量分类方法研究,TP391.41
  10. 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
  11. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  12. 空间交会接近视觉测量方法研究,TP391.41
  13. 基于SVM的中医舌色苔色分类方法研究,TP391.41
  14. 基于嵌入式图像处理单元的运动目标跟踪系统研究,TP391.41
  15. 基于图像的路面破损识别,TP391.41
  16. 移动机器人视觉检测和跟踪研究,TP242.62
  17. 基于支持向量机的故障诊断方法研究,TP18
  18. 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
  19. 基于粒子滤波的自主机器人视觉目标跟踪研究,TP242
  20. 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
  21. 红外图像目标识别及跟踪技术研究,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com