基于正则化的目标跟踪算法研究

发布时间：2022-12-10 16:44

　　目标跟踪技术已经在军事安全、轨迹动态分析、场景识别等领域取得了一定的成就。其核心思想是利用模型学习连续视频的第一帧的信息,然后在接下来的复杂连续帧中识别并定位目标。相关滤波算法利用输入样本和理想高斯加权响应组成的岭回归模型来拟合最佳目标模板。由于循环移位操作在边界位置的周期性重复、目标外观的剧烈变化和目标背景不随时间建模,导致目标跟踪模型性能下降。现有很多方法可用来提高模型的精度和速度,比如多通道特征、核化滤波器、尺度自适应及统计学习方法等。这些方法虽然取得了一定成功,但是目标跟踪所面临的视频属性挑战仍然不能得到很好的解决。因此本文围绕改进目标跟踪模型的性能表现和速度进行研究,有效结合机器学习中的优化方法,从理论上证明了改进模型的可行性,并用大量实验验证了改进模型的价值。本文主要研究内容如下:（1）基于L2正则的方法已经实现了输入样本和理想高斯响应之间的滤波器系数的最佳拟合。为提升模型在遭遇目标外观剧烈变化时的鲁棒性,本文引入了滤波器系数的L1正则。L1正则化有助于生成一个稀疏权值矩阵,进而可以用于特征选择,表示只有少数特征对这个模型有贡献,绝大部分特征是没有太大意义的,此时模型只需要... 

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 引言
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 目标跟踪模型研究现状
        1.2.2 评估工具
    1.3 论文的创新点
    1.4 论文的内容结构和安排
第二章 相关理论基础
    2.1 相关滤波原理
        2.1.1 相关滤波
        2.1.2 脊回归模型
    2.2 ADMM算法
    2.3 特征表示
        2.3.1 HOG特征
        2.3.2 深度特征
    2.4 卷积神经网络
        2.4.1 VGG-M网络结构
        2.4.2 VGG-16网络结构
        2.4.3 激活函数
    2.5 本章小结
第三章 基于L1正则的鲁棒的目标跟踪算法
    3.1 问题引入
    3.2 STRCF模型
    3.3 改进的L1-STRCF模型
    3.4 ADMM算法求解
    3.5 实验参数设置及结果分析
        3.5.1 精确度和成功率
        3.5.2 视频属性精度图比较
        3.5.3 视频属性成功率比较
        3.5.4 LaSOT数据集比较
    3.6 本章小结
第四章 融合时间正则与空间L1正则的相关滤波器
    4.1 问题引入
    4.2 自适应空间正则
    4.3 改进的LTASRCF模型
    4.4 ADMM算法求解
    4.5 实验结果及分析
        4.5.1 实验环境及参数
        4.5.2 评估工具
        4.5.3 精确图和成功图
        4.5.4 精确度视频属性分析
        4.5.5 成功率视频属性分析
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士期间已完成和发表的学术论文
攻读硕士期间参加的科研项目


【参考文献】：
期刊论文
[1]优化形式下的稀疏表示分类器的人脸识别[J]. 吉朝明,宋铁成.  重庆理工大学学报(自然科学). 2020(02)
[2]基于稀疏表示的人脸识别鲁棒性研究[J]. 朱强军.  电子测试. 2020(02)



本文编号：3717131