结合多示例学习和模板匹配的目标跟踪算法研究-计算机技术专业论文.docxVIP

Ab Abstract random sampling, generate multiple classifiers, integration them to determine the location of the object. For Mean Shift tracking algorithm, through combining the color features and texture features to construct target model, taking advantage of the features of each to build a robust target model, improving the tracking precision. Aiming at how to combine decision algorithm and matching algorithm, by the improved tracking of the multiple instance learning, getting the target position in a new frame, then judge whether tracking failure occurs, if tracking failure, Then mean shift tracking was used to revise the position, the judgment standard uses the displacement of the target distance, because the offset between two frames will not be too big, if the offset is too big, judge the tracking failure, then call Mean Shift tracking algorithm to revise the target location. Key Words: Target Tracking; Texture Feature; Multiple Instance Learning; Classifiers; Template Matching; III 江西 江西理工大学硕士学位论文 目录 I I 目 录 摘 要 I Abstract II 第一章 绪 论 1 1.1 论文的研究背景和意义1 1.2 目标跟踪的研究现状2 1.2.1 国内外的研究现状2 1.2.2 研究难点 4 1.3 论文的研究内容 5 1.4 论文的组织结构 5 第二章 基础知识 7 2.1 引言 7 2.2 基于分布域的跟踪 8 基于 Mean Shift 的跟踪 9 基本的 Mean Shift 9 Mean Shift 跟踪算法 10 2.4 基于多示例学习的跟踪 12 2.5 本章小结 14 第三章 融合多特征的加权分布跟踪算法15 3.1 引言15 3.2 本章研究方法 16 3.2.1 建立联合分布域模型 17 3.2.2 模型匹配 18 3.2.3 模型更新 19 3.2.4 算法描述 19 3.3 实验分析及结果 20 3.3.1 实验数据集及实验设置 20 3.3.2 实验一：MWDF 与 DF 以及多特征 DF 比较 22 I II 3.3.3 实验二：MWDF 与五种最新跟踪算法的比较 24 3.3.4 实验三：自适应更新模型参数分析 27 3.3.5 实验分析 29 3.4 本章小结 30 第四章 基于集成多示例学习的 Mean Shift 跟踪算法31 4.1 引言 31 4.2 本章研究方法 32 4.2.1 集成多示例学习跟踪32 结合 RGB 和 LBP 的 Mean Shift 跟踪算法 36 MEMIL 算法 37 4.3 实验结果及分析 39 4.3.1 实验数据集及实验设置 39 4.3.2 实验一：三种算法对比 39 4.3.3 实验二：MEMIL 和 CT，PLS，ODFS 的对比 42 4.3.4 实验分析 46 4.4 本章小结47 第五章 总结与展望 48 5.1 总结 48 5.2 展望 48 参 考 文 献 50 致 谢 54 攻读学位期间的研究成果55 第一 第一章 绪 论 PAGE PAGE 1 第一章 绪 论 1.1 论文的研究背景和意义 人类通过视觉来感知和理解这个世界[1]，图像是人类来了解世界的最重要的方式，从 而图像处理和人工智能是目前世界上比较热门的研究课题之一，这种研究的目的就是想通 过摄像头来代替人的眼睛，计算机代替人的大脑，可以对外界的环境做出像人类一样的反 应