基于学习算法的红外成像目标识别与跟踪

发布时间：2023-04-02 22:43

　　目标识别与跟踪在模式识别领域已经取得了很多优秀的研究成果,但针对红外成像目标的识别率、运行速度以及稳定性研究还有待提高。本文从红外成像在道路监控中的应用出发,采用基于机器学习算法实现目标识别与跟踪。首先,本文分析红外成像的原理及特性,改进基于重构优化的红外目标显著性检测方法。首先分析红外成像的先验知识,引入基于外观的红外显著性增强,提高目标与背景的对比度,然后采用多尺度对比度增强算法提高目标显著性,由于目标与背景间的亮度差异,采用混合高斯模型构建红外图像的梯度概率分布图,分离目标与背景;最后,基于红外成像的先验增强与目标显著性构建能量方程,使用随机游走算法计算最优解。在大量的交通道路监控图像上实验表明,改进的显著性检测算法在精度、召回率和平均误差等方面优于其它算法。其次,本文改进了可支持向量机(Support Vector Machine,SVM)分类器的成本评价方式。对于传统的SVM分类器,样本错误分类的代价是相同的,训练分类器通过寻找使总错误分类代价最小化的超平面分割函数,并通过错误率评估分类器。但由于样本自身的复杂性,对于不同样本采用同样的成本评估代价并不合理,本文采用最小化经验...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 目标检测
        1.2.2 目标识别
        1.2.3 目标跟踪
    1.3 研究内容与章节安排
        1.3.1 研究内容
        1.3.2 章节安排
2 红外目标的显著性重构与检测
    2.1 基于先验知识的红外图像显著性增强
        2.1.1 红外成像简介
        2.1.2 红外成像的热辐射先验增强
    2.2 基于局部与全局特征的目标显著性重构
        2.2.1 基于EMC的图像增强
        2.2.2 基于LGS的图像增强
    2.3 基于重构模型的红外图像显著性增强
        2.3.1 随机游走法
        2.3.2 红外显著性重构模型
    2.4 实验结果与分析
        2.4.1 评估指标
        2.4.2 算法对比分析
    2.5 本章小结
3 红外图像的目标识别
    3.1 SVM简介
        3.1.1 核函数的选择
        3.1.2 样本的客观成本代价
    3.2 改进SVM分类器
        3.2.1 改进客观成本评价标准
        3.2.2 基于SVM的多分类器设计
    3.3 实验结果与分析
        3.3.1 改进的SVM的评价成本分析
        3.3.2 样本错误率分析
    3.4 本章小结
4 目标定位与跟踪
    4.1 基于在线学习的核相关滤波器
        4.1.1 相关滤波器原理
        4.1.2 训练样本获取
        4.1.3 岭回归分类器
    4.2 基于运动模型的粒子滤波器
        4.2.1 重要性采样算法
        4.2.2 粒子滤波器算法
    4.3 改进的融合滤波器跟踪模型
        4.3.1 融合滤波器模型设计
        4.3.2 尺度估计
    4.4 实验结果与分析
        4.4.1 评价指标
        4.4.2 算法对比分析
    4.5 本章小结
结论
    1.本文工作总结
    2. 后续工作
致谢
参考文献
攻读学位期间取得的研究成果



本文编号：3780111