基于多分类器融合的长期目标跟踪算法研究

发布时间：2020-11-07 11:03

　　 基于相关滤波器的目标跟踪算法是视觉分析领域中最火热的子方向之一,在安防、机器人、自动驾驶、智能交通等多个行业有着可观的前景和实用价值。但是受限于相关滤波器内在的边界效应、高风险的更新策略以及在线训练存在的稳定性-可塑性窘境,单一的相关滤波器在许多情况下都无法满足实际应用的需求。因此,本文重点研究通过多分类器融合的方式来解决相关滤波器的缺陷以实现在多种复杂情况下对目标的准确跟踪。标准的相关滤波器由于使用循环样本训练岭回归分类器产生了内在的边界效应。针对相关滤波器的边界效应,本文利用颜色直方图特征对变形与分辨率不敏感的优点,构建一个基于颜色直方图的贝叶斯分类器以准确跟踪低分辨率、快速变形等场景下的目标,并通过集成学习的方式在相关滤波器的基础上加权集成贝叶斯分类器,通过优势互补的方式缓解边界效应的负面影响。随后着眼于缺乏颜色信息的灰度视频序列,提出了一种基于局部敏感直方图的贝叶斯分类器。最后提出了一种高置信度更新策略以防止贝叶斯分类器与相关滤波器的模型学习腐坏样本而导致漂移。定量和定性的实验证明,本文所提出的解决方法均在不同程度上提升了跟踪算法的性能。现有的相关滤波器与贝叶斯分类器因为在线更新而存在的稳定性-可塑性窘境以及为快速适应目标的变化而使用的高风险更新策略,导致目标遭遇严重遮挡与移出视野等跟踪场景后,跟踪模型将快速漂移。针对在线分类器的高风险更新策略,本文根据在线分类器的响应峰值与其历史均值的关系,通过提升优质样本的权重,降低劣质样本的权重来提高分类器的性能,提出一个随样本质量自适应调整的学习率模型。最后为解决在线更新存在的稳定性-可塑性窘境,本文通过将基础跟踪算法与在线软间隔支持向量机共同组成重检测模块提出了一种辅助重检测方法。经过大量的实验验证,本文所提出的基于多分类器融合的长期目标跟踪算法在目标遭遇快速运动、严重遮挡、移出视野等情况时,均能可靠准确地跟踪目标。
【学位单位】：中国科学院大学(中国科学院长春光学精密机械与物理研究所)
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP18;TN713
【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 相关滤波器类目标跟踪算法
        1.2.2 卷积神经网络类目标跟踪算法
    1.3 本文的研究内容及章节安排
第2章 相关滤波器理论
    2.1 引言
    2.2 相关滤波器
        2.2.1 图像特征
        2.2.2 岭回归
        2.2.3 循环矩阵与密集采样
        2.2.4 余弦窗
        2.2.5 核技巧
        2.2.6 模型更新
    2.3 尺度相关滤波器
    2.4 本章小结
第3章 基于融合的目标跟踪算法
    3.1 引言
    3.2 贝叶斯分类器
        3.2.1 贝叶斯决策理论
        3.2.2 贝叶斯分类器
    3.3 局部敏感直方图
    3.4 分类器融合
    3.5 高置信度更新策略
    3.6 实验结果和分析
        3.6.1 评价标准
        3.6.2 组件分析
        3.6.3 对比实验
        3.6.4 定性分析
    3.7 本章小结
第4章 基于多分类器融合的长期目标跟踪算法
    4.1 引言
    4.2 基于多分类器融合的长期目标跟踪算法
        4.2.1 长期跟踪概述
        4.2.2 基础跟踪算法
        4.2.3 自适应学习率
        4.2.4 在线支持向量机
        4.2.5 辅助重检测
    4.3 快速尺度相关滤波器
        4.3.1 主成分分析
        4.3.2 快速尺度相关滤波器
    4.4 实验结果和分析
        4.4.1 组件分析
        4.4.2 对比实验
        4.4.3 定性分析
    4.5 本章小结
第5章 总结与展望
    5.1 论文总结
    5.2 研究展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果

【相似文献】

相关期刊论文 前10条

1 李敏;李华;程茂华;;一种自适应子融合集成多分类器方法[J];计算机测量与控制;2019年04期

2 黎平;刘萍;张巡;范郁锋;;基于分类器的身份证号码识别研究[J];贵州科学;2018年01期

3 王忠民;王科;贺炎;;一种基于多分类器融合的人体运动行为识别模型[J];计算机科学;2016年12期

4 邹洪侠;陶硕;;一种代价敏感的三类分类器评估方法的研究与应用[J];通化师范学院学报;2017年08期

5 牛明昂;王强;崔希民;赵康年;柴鹏辉;;多分类器融合与单分类器影像分类比较研究[J];矿山测量;2016年04期

6 赵艺淞;王保云;黎晓路;王婷;;基于多分类器组合的城市不透水面提取研究[J];城市地理;2017年04期

7 何舒炜;;《垃圾分类器》[J];辅导员;2016年11期

8 李健苹;游中胜;;一种新的多分类器融合方法[J];西南师范大学学报(自然科学版);2014年01期

9 兰远东;曾树洪;;动态加权投票的多分类器聚合[J];现代计算机(专业版);2014年05期

10 林煜明;朱涛;王晓玲;周傲英;;面向用户观点分析的多分类器集成和优化技术[J];计算机学报;2013年08期

相关博士学位论文 前10条

1 孙宸;PolSAR图像大间隔学习分类器设计及应用[D];西安电子科技大学;2017年

2 于爱华;基于压缩感知人脸识别技术的研究[D];浙江工业大学;2017年

3 雷浩川;多分类器集成的遥感影像分类研究[D];中国地质大学(北京);2018年

4 冯晓东;基于软概率的分类器动态集成方法研究[D];重庆大学;2018年

5 陈木生;基于欠采样和不平衡集成分类的垃圾网页检测研究[D];南昌大学;2018年

6 陈海霞;面向数据挖掘的分类器集成研究[D];吉林大学;2006年

7 王卫东;高维小样本数据的特征提取及分类器算法研究[D];南京理工大学;2007年

8 刘杰;乘员类型的自动识别及其在智能乘员约束系统中的应用[D];吉林大学;2007年

9 吴尉林;可移植的稳健口语理解方法研究[D];上海交通大学;2007年

10 章军;小生境粒子群优化算法及其在多分类器集成中的应用研究[D];中国科学技术大学;2007年

相关硕士学位论文 前10条

1 戴伟聪;基于多分类器融合的长期目标跟踪算法研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

2 张婕;基于级联多分类器融合的宫颈癌细胞识别技术的研究[D];哈尔滨理工大学;2019年

3 孙帅;广播频段频谱信号处理的机器学习算法研究[D];武汉理工大学;2018年

4 张中岩;基于集成分类器的微傅情感分类研究[D];厦门大学;2017年

5 朱欣怡;离散属性贝叶斯网络分类器的研究[D];山东师范大学;2018年

6 郝振华;基于视频监控的室内智能火灾检测技术研究[D];长安大学;2018年

7 李小虎;连续属性贝叶斯网络分类器的学习与研究[D];山东师范大学;2018年

8 后方帅;基于单音的西洋乐器音色识别方法研究[D];山东大学;2018年

9 李经善;基于低秩分解的分类算法设计与实现[D];扬州大学;2018年

10 孙铭;基于多分类器的不完整数据的分类关键技术研究[D];哈尔滨工业大学;2018年

本文编号：2873852