基于顯著區(qū)域和主題模型的原目標(biāo)檢測和視覺目標(biāo)跟蹤

《基于顯著區(qū)域和主題模型的原目標(biāo)檢測和視覺目標(biāo)跟蹤》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、中圖分類號(hào)：TP391論文編號(hào):102870316-S222學(xué)科分類號(hào):082602碩士學(xué)位論文基于顯著區(qū)域和主題模型的原目標(biāo)檢測和視覺目標(biāo)跟蹤研究生姓名周延培學(xué)科、專業(yè)兵器發(fā)射理論與技術(shù)研究方向信號(hào)檢測與智能控制技術(shù)指導(dǎo)教師楊欣副教授南京航空航天大學(xué)研究生院自動(dòng)化學(xué)院二Ο一六年一月NanjingUniversityofAeronauticsandAstronauticsTheGraduateSchoolCollegeofAutomationSalientRegionsandTopicModelBasedProto-obj

2、ectsDetectionandVisualTargetTrackingAThesisinArmamentLaunchTheoryandTechnologybyZhouYanpeiAdvisedbyProf.YangXinSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofEngineeringJanuary,2016ｊ承諾書，本人鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師指導(dǎo)下獨(dú)立進(jìn)行研究工作所取得的成果，。盡我所知，除文中

3、已經(jīng)往明引用的內(nèi)容外本學(xué)位論文的研究成果不括含任何他人享有著作權(quán)的內(nèi)容。對(duì)本論文所涉及的研究工作做出貢獻(xiàn)的其他個(gè)人和集體，均已在文中明確方式標(biāo)明’。本人授權(quán)南京航空航天大學(xué)可有權(quán)保留送交論義的復(fù)印件，允許Ｊ論文被查閱和借閱可ＵＩ將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫，進(jìn)行檢索。，可?。薏捎糜坝?、縮印或其他復(fù)制手段保存論文保密的學(xué)位論文在解密后適用本承諾書）（作者簽名：間追德日期：郵、Ｉ南京航空航天大學(xué)碩士學(xué)位論文摘要隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展和對(duì)實(shí)際應(yīng)用需求的擴(kuò)展，運(yùn)動(dòng)目標(biāo)的視覺跟蹤

4、技術(shù)越來越吸引國內(nèi)外研究人員的關(guān)注，并廣泛地應(yīng)用于各個(gè)應(yīng)用領(lǐng)域，如安全監(jiān)測，機(jī)器人導(dǎo)航、智能交通和無人駕駛等。雖然，有關(guān)視覺跟蹤的研究已經(jīng)持續(xù)了好多年，但是各種噪聲因素，包括背景雜波，遮擋，分散，光照變化在實(shí)踐中依舊會(huì)出現(xiàn)問題，這些噪聲因素使視覺跟蹤變得更加具有挑戰(zhàn)性。為了提高視覺跟蹤的魯棒性，減少跟蹤誤差率，本文提出了一種的生物激發(fā)框架——基于原目標(biāo)檢測的視覺跟蹤。該方法在整個(gè)跟蹤過程中同時(shí)評(píng)估了目標(biāo)的狀態(tài)和原目標(biāo)的狀態(tài)，所以性能更優(yōu)越。本文的主要研究內(nèi)容及成果如下：首先對(duì)給定的圖像序列進(jìn)行顯著性檢測，通常情況下，目標(biāo)更

5、可能會(huì)出現(xiàn)在高顯著值的地方。本文采用在基于底層信息特征和對(duì)象級(jí)語義之間的表示方法進(jìn)行顯著性檢測，結(jié)合了自底而上和自頂而下的注意力機(jī)制得到的顯著圖更接近人眼所能達(dá)到的提取程度。其次，進(jìn)行原目標(biāo)檢測，本文采用基于分割算法和主題模型的原目標(biāo)檢測方法。比較多種分割方法后，本文選用了歸一化分割算法，再利用概率潛在語義分析(PLSA)算法對(duì)分割區(qū)域進(jìn)行類別估計(jì)，揭示出主題，從而檢測出最終的原目標(biāo)。接著，為了避免原目標(biāo)檢測過程中檢測結(jié)果對(duì)分割結(jié)果的過度依賴，本文對(duì)PLSA模型進(jìn)行改進(jìn)，提出了一種基于多尺度的概率潛在語義分析方法(Mult

6、i-Level-probabilisticLatentSemanticAnalysis,ML-PLSA)。該算法能綜合多個(gè)尺度、多個(gè)方法的分割區(qū)域，根據(jù)這一綜合結(jié)果提取出的原目標(biāo)準(zhǔn)確率更高。最后，在獲得原目標(biāo)空間信息的基礎(chǔ)上，用貝葉斯算法對(duì)目標(biāo)進(jìn)行跟蹤，在整個(gè)跟蹤過程中，目標(biāo)和原目標(biāo)的狀態(tài)被聯(lián)合估計(jì)，因而目標(biāo)相關(guān)性更加穩(wěn)定。本文中，吉布斯抽樣被用來優(yōu)化跟蹤算法，EM算法被用來揭示主題并通過最大似然概率優(yōu)化主題分配，馬爾科夫鏈在跟蹤過程中可以推測目標(biāo)和原目標(biāo)的狀態(tài)。通過實(shí)驗(yàn)證明，本文提出的方法能魯棒地處理遮擋，分散和光照變化

7、等問題，并且該方法在挑戰(zhàn)一些復(fù)雜的視覺任務(wù)時(shí)，相比較于已有的方法更加卓越。關(guān)鍵詞：原目標(biāo)，視覺跟蹤，顯著性檢測，歸一化分割算法，PLSA模型，ML-PLSA模型，EM算法，貝葉斯估計(jì)，吉布斯抽樣i基于顯著區(qū)域和主題模型的原目標(biāo)檢測和視覺目標(biāo)跟蹤ABSTRACTWiththedevelopmentofcomputervisiontechnologyandexpandingdemandforpracticalapplication,movingtargetvisualtrackingtechnologyhasbecomethe

8、focusofdomesticandforeignresearcherbecauseofitsapplicationsinareassuchassafetymonitoring,robotnavigation,intelligenttransportationandunmannedpotential.A