基于判别模型的视觉跟踪算法的研究

《基于判别模型的视觉跟踪算法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP391密级：公开专业学位研究生学位论文论文题目（中文）基于判别模型的视觉跟踪算法的研究Researchonvisualtrackingalgorithms论文题目（外文）basedondiscriminativemodel研究生姓名卢嘉林学位类别工程硕士专业学位领域电子与通信工程学位级别硕士校内导师姓名、职称李红信副教授校外导师单位、姓名论文工作起止年月2015年5月至2016年5月论文提交日期2016年5月论文答辩日期2016年6月学位授予日期2016年6月校址：甘肃省兰州市原创性

2、声明本人郑重声明：本人所呈交的学位论文，是在导师的指导下独立进行研究所取得的成果。学位论文中凡引用他人已经发表或未发表的成果、数据、观点等，均已明确注明出处。除文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研究成果做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人承担。论文作者签名：日期：关于学位论文使用授权的声明本人在导师指导下所完成的论文及相关的职务作品，知识产权归属兰州大学。本人完全了解兰州大学有关保存、使用学位论文的规定，同

3、意学校保存或向国家有关部门或机构送交论文的纸质版和电子版，允许论文被查阅和借阅；本人授权兰州大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用任何复制手段保存和汇编本学位论文。本人离校后发表、使用学位论文或与该论文直接相关的学术论文或成果时，第一署名单位仍然为兰州大学。本学位论文研究内容：□可以公开□不宜公开，已在学位办公室办理保密申请，解密后适用本授权书。(请在以上选项内选择其中一项打“√”)论文作者签名：导师签名：日期：日期：基于判别模型的视觉跟踪算法的研究摘要对于视觉跟踪

4、的研究，最近几年随着高水平论文代码的高度公开和基准测试集的不断扩展完善，已经取得了飞速的发展。然而，尽管这些工作非常有用，但是它们对于认识和诊断不同跟踪器的优势和不足仍然是一个问题。为了解决该问题，我们首先提出了一种新的诊断视觉跟踪算法的框架，即把一个跟踪器分解为五个组成模块：训练样本采集模块，观测模型模块，检测样本采集模块，样本特征表示模块，观测模型更新模块。然后在这五个组成模块上分别进行对照实验来研究各个组成模块对跟踪系统性能的影响程度以及是如何影响的。具体内容如下：针对这五个组成模块中的每

5、一个，本文都提出了相应的改进和设置：在训练样本采集模块，本文使用非负最小二乘法，巴氏系数和巴氏距离算法权重化正样本标签；在观测模型模块，我们引入了一种计算复杂度低，具有闭合形式精确解，但性能与支持向量机相媲美的回归算法——脊回归；在检测样本采集模块，本文采用粒子滤波算法中的粒子传播模型来采集检测样本；在特征表示模块，本文引入一种新颖的颜色特征，并且将其与方向梯度直方图特征简单连接起来，构成一种更强的组合特征；在观测模型更新模块，本文只总结了现存的两种主要的更新方法。基于上面的改进，本文把改进后的

6、一些基本组成模块重新组合，构成了一个新的跟踪器，将其与基准中性能前十的10个跟踪器比较。最后结果表明：其性能比当前最先进的一些跟踪器优越或相当。关键词：视觉跟踪，权重化，巴氏度量，脊回归，粒子滤波，组合特征IResearchonVisualTrackingAlgorithmsBasedonDiscriminativeModelAbstractAsthecodeofthehighlevelresearchpaperisreleasedasopensource,andthebenchmarkdata

7、setsisincreasinglyexpanded,visualtrackingresearchhasmaderapiddevelopmentinrecentyears.Althoughtheseworkareveryvaluable,whethertheyaresufficientforunderstandinganddiagnosingtheadvantagesanddisadvantagesofthedifferenttrackersremainsquestionable.Inorder

8、toaddressthisissue,weproposeaframeworkthatcandiagnosethevisualtrackingalgorithms,bybreakingatrackerdownintofiveparts,namely,trainingsamplesacquisitionmodule,theobservationmodelmodule,testingsamplesacquisitionmodule,featurerepresentationmodule,andobse