基于机器学习的目标跟踪技术研究

发布时间：2020-11-18 13:52

　　 目标跟踪技术一直以来都是计算机视觉、图像处理领域的研究热点,其在国防侦察、安防监控、智能控制等领域具有重要应用价值,是武器装备、监控设备等的核心技术之一。数十年来,国内外一直有大量学者从事目标跟踪算法方面的研究,但是由于跟踪过程中所观测的目标信息的多变性、目标的机动性以及背景的复杂性、自身或背景遮挡等原因,目标跟踪仍然是一个非常具有挑战性的问题。近年来,将机器学习理论应用到目标的跟踪、识别问题是一个研究热点,与传统跟踪的目标匹配不同,运用机器学习理论进行目标跟踪是将目标跟踪问题转换成目标分类问题,即用算法将视场中的目标和背景分类,分类结果置信度最大的目标所在的位置就是目标位置。机器学习的一大特点就是学习,即让计算机有人一样的“学习”能力,可以通过学习被跟踪目标的不同变化,如位置变化、姿态变化和相似干扰等,及时调整跟踪器的状态,适用于多种复杂的目标跟踪问题。本文从三个方面对基于机器学习的目标跟踪算法进行了较为深入的研究,主要创新工作及研究成果如下:1.针对传统相关跟踪算法实时性不好、不能适应目标变化的问题,提出一种自适应相关滤波目标跟踪算法,采用相关滤波的方式进行目标跟踪,通过在线训练滤波器模板,使跟踪能够适应目标的变化;用余弦窗函数对图像块进行加权,使图像中目标区域的目标比周边的背景有更大的权值,而且保证了对图像块做周期延拓时图像边缘的连续性;根据循环矩阵的性质对图像在频域做卷积,得到滤波响应的频域值,逆傅里叶变换得到空域响应值,根据最大响应值的位置确定目标位置,实现目标的实时跟踪。实验结果表明,此算法具有良好的匹配精度和很好实时性,对跟踪过程中目标姿态的渐变和相似物的干扰具有良好的适应能力。2.研究了多示例学习目标跟踪算法,为提高在线多示例学习跟踪算法的跟踪正确率和实时性,提出了一种加权在线多示例学习跟踪算法。首先,根据所选定目标位置分别采集目标和背景样本集,并对样本与目标的相似程度对样本赋权值,通过对所采集的样本集的特征的在线学习生成弱分类器集;然后,用计算样本集对数似然函数的最大值的方法从弱分类器集中选择K个最优的弱分类器,根据弱分类器分类效果给每个弱分类器赋不同的权值,生成一个强分类器;最后,在新的一帧中抽取目标和背景样本,用生成的强分类器对待分类的目标和背景进行分类,分类结果映射成一个概率值,概率最大样本的位置就是所要跟踪目标的位置。实验结果表明,该算法能稳定地跟踪目标,较好地应对相似物的干扰问题,并且比经典多示例学习跟踪算法有更好地实时性。3.为提高在线学习目标跟踪的实时性和准确率,结合压缩感知理论,提出一种基于距离度量学习的目标跟踪算法。首先,根据所选定的目标位置分别提取目标和背景样本集,运用随机投影理论对样本的Haar-like特征进行压缩;然后,用压缩后的低维特征向量集来训练度量矩阵;最后,在新的一帧中抽取目标和背景的样本,用训练得到的度量矩阵计算已知目标和样本间的Mahalanobis距离,距离最小的样本的位置就是所要跟踪的目标的位置。对不同视频序列的测试结果表明,用压缩特征表示目标,使特征计算的计算量压缩到原来的1/4,减少了特征计算的时间;用训练后的度量矩阵计算目标位置,即跟踪器能够根据目标的不断变化自适应的调整参数,提高了跟踪的准确率。
【学位单位】：中国科学院研究生院(长春光学精密机械与物理研究所)
【学位级别】：博士
【学位年份】：2015
【中图分类】：TP391.41;TP181
【文章目录】：
摘要
Abstract
目录
第1章 绪论
    1.1 课题研究背景及意义
    1.2 目标跟踪的分类
    1.3 目标跟踪技术的研究现状
    1.4 论文的研究内容与章节安排
第2章 基于机器学习的目标跟踪方法综述
    2.1 引言
    2.2 机器学习的分类
        2.2.1 无监督学习
        2.2.2 监督学习
        2.2.3 半监督学习
        2.2.4 增强学习
    2.3 几种典型基于机器学习的跟踪算法
        2.3.1 Boosting方法
        2.3.2 P-N Learning
    2.4 本章小结
第3章 自适应学习相关滤波的目标跟踪
    3.1 引言
    3.2 传统的空域相关跟踪
    3.3 相关滤波跟踪
        3.3.1 循环矩阵
        3.3.2 基于相关滤波的跟踪
        3.3.3 滤波器的在线学习更新
    3.4 实验结果与分析
    3.5 本章小结
第4章 在线加权多示例学习目标跟踪算法
    4.1 引言
    4.2 样本的Haar-like特征
    4.3 多示例学习跟踪算法
    4.4 在线多示例学习目标跟踪算法
        4.4.1 正负样本的选取
        4.4.2 训练分类器
        4.4.3 弱分类器的选择
    4.5 实验结果与分析
    4.6 本章小结
第5章 特征压缩距离度量学习目标跟踪
    5.1 引言
    5.2 距离度量
        5.2.1 常用的距离度量
        5.2.2 Mahalanobis距离
    5.3 特征压缩
        5.3.1 随机投影
        5.3.2 随机测量矩阵
        5.3.3 压缩特征提取
    5.4 距离度量学习跟踪算法
        5.4.1 算法概略
        5.4.2 度量矩阵G的训练
    5.5 实验结果与分析
    5.6 本章小结
第6章 结论与展望
    6.1 论文工作总结
    6.2 论文创新点
    6.3 研究展望
参考文献
在学期间学术成果情况
指导教师及作者简介
致谢

【相似文献】

相关期刊论文 前10条

1 李凡长;协调机器学习的稳定性研究[J];小型微型计算机系统;2002年03期

2 周海廷;机器学习与生物信息学[J];信息与控制;2003年04期

3 于凤;机器学习方法及其技术应用[J];电脑学习;2003年01期

4 王珏,石纯一;机器学习研究[J];广西师范大学学报(自然科学版);2003年02期

5 谷蓉,刘学民,朱仲涛,周杰;一种围棋定式的机器学习方法[J];计算机工程;2004年06期

6 闫友彪,陈元琰;机器学习的主要策略综述[J];计算机应用研究;2004年07期

7 张晓龙,杨艳霞;机器学习在生物信息学中的应用[J];武汉科技大学学报(自然科学版);2005年02期

8 ;第十届中国机器学习会议征文通知2006年10月13～15日,海口[J];计算机研究与发展;2005年10期

9 邵平;;机器学习与人脸识别方法概述[J];玉林师范学院学报;2006年03期

10 方玮玮;;机器学习方法浅析[J];福建电脑;2006年11期

相关博士学位论文 前10条

1 赵玉鹏;机器学习的哲学探索[D];大连理工大学;2010年

2 胡巍;面向格结构的机器学习[D];上海交通大学;2009年

3 张义荣;基于机器学习的入侵检测技术研究[D];国防科学技术大学;2005年

4 钱线;快速精确的结构化机器学习方法研究[D];复旦大学;2010年

5 梁锡军;稀疏优化在机器学习中的若干应用[D];大连理工大学;2013年

6 蒋刚;核机器学习方法若干问题研究[D];西南交通大学;2006年

7 陈慧灵;面向智能决策问题的机器学习方法研究[D];吉林大学;2012年

8 周伟达;核机器学习方法研究[D];西安电子科技大学;2003年

9 熊毅;基于机器学习的蛋白质结合位点特征化和预测方法研究[D];武汉大学;2011年

10 胡崇海;基于图的半监督机器学习[D];浙江大学;2008年

相关硕士学位论文 前10条

1 丁朋;凸优化在大规模机器学习中的应用[D];华东理工大学;2011年

2 孟宜成;粗集理论在机器学习中的应用与研究[D];昆明理工大学;2008年

3 周浩;基于机器学习的E级系统故障预测关键技术研究[D];国防科学技术大学;2011年

4 关真珍;基于半督导机器学习的分词算法的设计与实现[D];华中科技大学;2004年

5 赵草原;机器学习在可穿戴人体外骨骼系统步态识别中的应用研究[D];电子科技大学;2013年

6 丁惠;面向最优养殖布局的机器学习方法研究[D];中国海洋大学;2013年

7 王淑珍;机器学习算法的Weka嵌入[D];华南理工大学;2013年

8 周广通;几种典型机器学习方法及其应用研究[D];山东大学;2010年

9 姜飞;机器学习在人岗匹配度测算模型中的应用[D];湖南工业大学;2012年

10 蔡楹;基于机器学习的磁浮列车故障综合评估技术研究[D];国防科学技术大学;2007年

本文编号：2888789