复杂条件下的目标跟踪技术研究

bb20920d · 发表于 2022-4-17 18:14:57

题目：

雅宝题库答案：

****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案

雅宝题库解析：
视频目标跟踪技术是当前计算机视觉领域中备受关注的前沿题目，在安防监控、智能交通、工业控制、军事侦察、精确制导以及天基预警等领域都有广泛的应用需求。虽然视频目标跟踪技术的理论研究已经取得了较大进展，但是针对实际应用中复杂的成像条件、多变的气候环境以及不同成像平台的限制与约束，还存在很多亟待解决的题目。本文重点针对光照变化、低对比度、复杂背景以及存在遮挡等复杂条件，以尺度和姿态都发生明显变化的目标为研究对象，以提高跟踪精度、算法鲁棒性为研究目标，将目标跟踪题目转化为在线目标与背景的分类作为主要研究思路，并对跟踪算法做了逐步深入的研究，主要工作如下：首先，针对复杂条件下的跟踪任务中，单一特征不可靠的题目，本文提出了基于多特征自适应融合的目标跟踪方法。利用增量线性判别分析分类器作为目标表现子模型，通过在线衡量各个特征对于目标与背景的分类能力，在线选取最优特征，自适应调整分配各个特征的权值。最后通过子模型的线性融合得到稳定的跟踪结果。针对光照、尺度、姿态等变化的跟踪任务，本算法较基于单一特征和固定权值融合策略的跟踪算法更加智能，鲁棒性和精确度更高。其次，针对目标表现模型分类器由于在线更新时机不准确而造成模型漂移，更新效率低等题目，提出了自适应在线更新策略。通过衡量目标表现子模型相邻帧之间目标和背景分类能力的变化程度，衡量目标表现模型描述的精确度。并通过对最佳更新时机的详细分析，制定了自适应更新策略。针对存在遮挡，光照、姿态等变化的跟踪任务，比以往的每帧更新和固定步长的更新策略，选择时机更准确，效率更高，模型描述更鲁棒。最后，在得到了基于多特征融合的稳定目标表现模型和准确的自适应更新时机后，针对分类器以往在线训练时，由于目标与背景训练样本选择不准确而造成模型漂移和训练失败的题目，本文提出了基于多事例学习的在线训练机制。将以往对训练样本单独标记，改进为将独立的训练样本数据封装为多事例学习包，并打包标记。之后进行样本与包的相似性映射，并利用1-norm SVM进行训练，挑选对于分类最有效的训练样本，保证了分类器在线训练时的精确度。在遮挡、存在瞬时误差情况下的跟踪任务中，本算法比以往分类器的训练策略更加鲁棒和准确。

复杂条件下的目标跟踪技术研究

天涯海角也要找到Ni：复杂条件下的目标跟踪技术研究

相关帖子

QQ微信同步：1144766066。

服务

网站

战略合作