基于視頻序列的運(yùn)動(dòng)目標(biāo)跟蹤與識(shí)別.pdf

1、論文題目：基于視頻序列的運(yùn)動(dòng)目標(biāo)跟蹤與識(shí)別專(zhuān)業(yè)：信號(hào)與信息處理碩士生：逯彥（簽名）指導(dǎo)老師：李國(guó)民（簽名）摘要運(yùn)動(dòng)目標(biāo)跟蹤與識(shí)別技術(shù)是視頻圖像處理中的關(guān)鍵技術(shù)，該技術(shù)融合了圖像識(shí)別、人工智能、圖像處理等多門(mén)學(xué)科，在智能交通管理、安保系統(tǒng)以及智能模擬系統(tǒng)中具有廣泛的應(yīng)用。本文在對(duì)運(yùn)動(dòng)目標(biāo)跟蹤和識(shí)別算法研究的基礎(chǔ)上，提出了相應(yīng)的改進(jìn)算法，并通過(guò)實(shí)驗(yàn)驗(yàn)證提出算法的有效性和準(zhǔn)確性。本文主要工作如下：首先，在運(yùn)動(dòng)目標(biāo)跟蹤方面，重點(diǎn)研究了基于背景加

2、權(quán)直方圖的均值漂移目標(biāo)跟蹤(CrectedBackgroundWeightedHistogramCBWH)算法，當(dāng)跟蹤目標(biāo)的速度發(fā)生變化時(shí)，該算法可能會(huì)出現(xiàn)跟蹤失效的情況，針對(duì)這個(gè)問(wèn)題，本文提出了一種改進(jìn)的CBWH算法，即是對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行兩次迭代運(yùn)算，第一次用均值漂移算法進(jìn)行迭代，計(jì)算相似系數(shù)，第二次用12??iicentercenter作為中心迭代，計(jì)算相似系數(shù)，比較兩個(gè)相似系數(shù)，選擇較大的相似系數(shù)的中心作為候選目標(biāo)的中心，并進(jìn)行跟蹤

3、。通過(guò)對(duì)不同場(chǎng)景的實(shí)驗(yàn)表明，本文算法較原算法有更好的準(zhǔn)確性。其次，在目標(biāo)識(shí)別方面，本文著重研究了基于詞袋模型的目標(biāo)識(shí)別方法，通過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)目標(biāo)識(shí)別的準(zhǔn)確率與尺度不變特征轉(zhuǎn)換(ScaleInvariantFeatureTransfmSIFT)算法中的鄰域子塊的寬度和詞匯量有關(guān)，通過(guò)對(duì)這兩個(gè)關(guān)鍵參數(shù)采用5折交叉驗(yàn)證的方法，從而得到這兩個(gè)關(guān)鍵參數(shù)的最優(yōu)組合，并將二者的最優(yōu)組合應(yīng)用到后續(xù)的識(shí)別中。實(shí)驗(yàn)結(jié)果表明，當(dāng)兩者達(dá)到最優(yōu)組合時(shí)，本文算法在

4、識(shí)別率上要優(yōu)于傳統(tǒng)的詞袋模型算法。關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)跟蹤；目標(biāo)識(shí)別；詞袋；支持向量機(jī)；SIFT研究類(lèi)型：理論研究Subject：ResearchontheTechnologyofMovingTargetTrackingRecognitioninVideoSequenceSpecialty：SignalInfmationProcessingName:LuYan(Signature)Instruct:LiGuomin(Signature)AB

5、STRACTMovingtargettrackingrecognitionisakeytechnologyinthefieldofcomputervisionwhichcombinesimagerecognitionartificialintelligenceimageprocessingothersubjectsusedwidelyinthemodernmilitaryfieldintelligenttrafficmanagement

6、safetysystemintelligentsimulationsystem.Onthebasisofthetrackingrecognitionalgithmsthepaperproposessomeimprovedmethodsprovetheaccuracyeffectivenessofthemethodsbyexperiments.Themainwkofthispaperisasfollows:Firstofallinterm

7、sofmovingtargettrackingthepapermainlystudiedcrectedbackgroundweightedhistogrambasedonmeanshift(CBWH)whenthespeedofthetargetchangesthealgithmmaybefailaimingatthequestionthispaperproposesanimprovedCBWHalgithmnamelycalculat

8、ingtwoiterativeduringtrackingfirsttimeisusingmeanshiftcalculatingthesimilaritysecondtimeusing12??iicentercenterasthecentertocalculatethesimilarity.Comparedtwosimilaritycoefficientschoosingthelargeroneasthenewcenter.Based

9、onthedifferentscenariosoftheexperimentalresultsshowthat:theimprovedalgithmhasbetteraccuracythaniginalalgithm.Secondlyintermsoftargetrecognitionthepaperstudiedbagofwdmodelrecognitionalgithmthroughalotofexperimentsfoundthe

10、targetrecognitionaccuracyhasagreatrelationshipwiththeneighbhoodsubblockwidthintheSIFTalgithmthenumberofvocabulary.Usingthe5crossvalidationonthetwokeycoefficientsobtainstheoptimalcombinationofthetwokeycoefficientsonfivefo

11、ldcrossvalidation.Theexperimentresultsshowthat:whenthetwokeycoefficientsachievetheoptimalcombinationthealgithmproposedinthepaperhasbetteraccuracythantraditionalbagofwdmodelalgithm.Keywds：MovingTargetTrackingTargetRecogni