学位论文 > 优秀研究生学位论文题录展示

基于神经网络的运动目标检测与跟踪算法的研究

作　者: 刘艳丽
导　师: 陈跃东
学　校: 安徽工程大学
专　业: 检测技术与自动化装置
关键词: 目标跟踪 BP神经网络 Adaboost算法 Camshift算法目标位置预测
分类号: TP183
类　型: 硕士论文
年　份: 2013年
下　载: 17次
引　用: 0次
阅　读: 论文下载

内容摘要

基于视频的运动目标分析技术融合了计算机视觉、数字图像和自动化控制等各个学科领域的知识,为武器装备、情报分析系统、卫星、飞机、轮船、导弹等提供可靠的定位、探测、侦查、导航等信息。其中,运动目标检测与跟踪是视频运动目标分析系统中关键的技术。国内外有很多学者对目标检测算法进行了大量的研究,取得了不少的成果,即使如此,运动目标检测算法仍没有达到复杂场景的要求。视频运动目标跟踪技术发展迅速,根据不同的应用场合,学者们提出了众多的运动目标跟踪算法。根据跟踪目标的表示方法的不同,单摄像机的目标跟踪算法主要有点跟踪、剪影跟踪、核跟踪以及结构模型跟踪,这种分类方法概括了目前大多数目标跟踪算法。由于运动目标所处环境的光照和天气的变化、遮挡、目标姿态变化等原因,对检测与跟踪算法鲁棒性、准确性和实时性都会造成影响。在运动检测算法方面,论文对现有的运动目标检测算法做了深入研究,针对传统目标检测算法存在的问题,研究了一种基于Adaboost算法与BP神经网络相结合的BP_Adaboost分类检测模型,通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器对目标进行检测,用该模型对最常见的视频中的行人进行检测,提高了行人检测的准确率。实验结果分析表明,该方法能够准确地分类检测出运动目标,很大提高目标检测算法的鲁棒性。目标特征提取方面,针对目标所在环境复杂的情况,常用的颜色、纹理、灰度和边缘特征等目标特征虽然表述结构简单,但易受到环境中外界因素的干扰,对目标跟踪准确性影响很大。为了解决这个问题,论文研究了通过提取目标的局部特征来提高跟踪算法性能,论文采用Harris算子提取目标的特征角点,作为神经网络的输入特征样本集,提高了目标跟踪算法的实时性。在运动目标跟踪方面,论文重点研究了基于Camshift算法的运动目标跟踪,当目标运动过快时,由于目标运动方向的不确定性,Camshift不能准确跟踪目标,导致跟踪丢失。针对存在的问题,论文在Camshift算法中引入目标运动轨迹的预测这一思想,研究了一种能有效跟踪运动目标的新方法,对传统Camshift目标跟踪算法进行了改进,实现了对运动目标快速、准确地跟踪。

全文目录

摘要  5-7
ABSTRACT  7-11
第1章绪论  11-20
  1.1 论文的研究背景及意义  11-12
  1.2 运动检测与跟踪研究现状  12-18
    1.2.1 运动目标检测  13-15
    1.2.2 运动目标跟踪  15-16
    1.2.3 运动目标检测与跟踪算法的难点  16-18
  1.3 论文主要内容及结构安排  18-20
    1.3.1 主要研究内容  18
    1.3.2 论文结构安排  18-20
第2章运动检测与跟踪算法研究基础  20-36
  2.1 BP网络理论  20-24
    2.1.1 BP网络的模型  20-21
    2.1.2 BP算法的步骤  21-22
    2.1.3 BP算法的改进  22-24
      2.1.3.1 BP算法的问题  22-23
      2.1.3.2 附加动量方法  23-24
      2.1.3.3 变学习率学习算法  24
  2.2 Adaboost算法  24-28
    2.2.1 Adaboost算法的构造  24-25
    2.2.2 Adaboost算法的收敛性能  25-26
    2.2.3 Adaboost算法的泛化能力  26-28
  2.3 目标特征提取  28-35
    2.3.1 传统的特征表述  28-29
    2.3.2 局部特征描述  29-30
    2.3.3 Harris角点  30-35
  2.4 本章小结  35-36
第3章基于BP神经网络的运动检测与跟踪算法研究  36-50
  3.1 前言  36
  3.2 运动目标检测算法概述  36-41
    3.2.1 背景减算法  36-39
      3.2.1.1 典型的背景模型  36-37
      3.2.1.2 背景更新方法  37-39
    3.2.2 帧间差分法  39-40
    3.2.3 光流法  40-41
  3.3 结合Adaboost算法与BP网络的运动检测算法  41-45
    3.3.1 算法思路  41-42
    3.3.2 BP_Adaboost检测模型  42-43
    3.3.3 仿真实验分析  43-45
  3.4 基于BP神经网络的运动目标跟踪算法  45-49
    3.4.1 BP网络跟踪模型  45-46
    3.4.2 运动目标局部特征提取  46-47
    3.4.3 仿真实验分析  47-49
  3.5 本章小结  49-50
第4章基于改进Camshift的运动目标跟踪算法研究  50-60
  4.1 前言  50
  4.2 Camshift目标跟踪算法  50-53
    4.2.1 Mean Shift算法  50-51
    4.2.2 Camshift算法  51-53
  4.3 改进的Camshift目标跟踪算法  53-56
    4.3.1 Camshift算法存在的问题  54
    4.3.2 结合运动目标位置预测的Camshift算法  54-56
  4.4 实验结果及分析  56-59
  4.5 本章小结  59-60
第5章结论与展望  60-62
  5.1 结论  60
  5.2 展望  60-62
参考文献  62-66
攻读学位期间发表的学术论文目录  66
攻读学位期间取得的科研成果目录  66-67
致谢  67

基于神经网络的运动目标检测与跟踪算法的研究

内容摘要

全文目录

相似论文