基于支持向量机的目标跟踪技术研究

论文摘要

针对传统目标跟踪系统由于目标旋转、遮挡、尺度变化、变形以及光照变化等引起的跟踪精度低等缺点,本文将基于统计学习理论中的支持向量机(SVM)应用到目标跟踪领域中。该算法不仅能够自动检测和跟踪视场或图像中预先设定好的目标,而且克服了传统目标跟踪系统的缺陷。论述了将SVM应用到目标跟踪领域的算法原理及实现过程。为了将支持向量机跟踪算法与其它算法进行性能比较,实验中分别实现了重心和相关等传统跟踪算法及其改进算法。由于将图像像素值直接作为SVM训练器和分类器的输入数据,算法的计算量过大,从而导致跟踪精度较低。因此,提出了分别采用Gabor小波计算样本特征,然后使用能量函数、主分量分析(PCA)和AdaBoost算法挑选部分Gabor特征;通过PCA和线性判别分析(LDA)对输入的数据降维;计算Haar小波特征,用AdaBoost提取部分有代表性的特征共三种特征选择方法与SVM相结合进行目标跟踪的算法。实验结果表明,后一种特征提取方法具有较高的跟踪精度。在检测跟踪过程中,通过使用层叠检测算法,加快了目标跟踪的速度,使算法达到实时性成为可能。针对项目需求和算法的特点,设计完成了单数字信号处理器(DSP)高速目标跟踪系统硬件处理平台,并且已经成功应用到实际项目中。传统跟踪算法及其改进算法已成功地在此项目中运行,SVM算法还处于仿真阶段。由于SVM算法占用内存空间大,运行时间长等特点,单DSP处理平台不能满足实时性要

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 目标跟踪技术发展
• 1.3 电视跟踪测量系统的工作原理
• 1.4 常用的目标跟踪算法
• 1.5 特征提取方法
• 1.6 主要研究内容及章节安排
• 第2章 SVM 目标跟踪算法
• 2.1 SVM
• 2.2 支持向量机数学模型
• 2.3 核函数
• 2.4 SVM 的工作原理和特点
• 2.5 SMO 算法
• 2.6 基于支持向量机的目标检测
• 2.7 实验结果
• 2.8 本章小节
• 第3章 基于GABOR 小波特征的SVM 跟踪算法
• 3.1 GABOR 小波
• 3.2 GABOR 小波数学理论
• 3.3 GABOR 滤波器参数的选择
• 3.4 GABOR 小波特征提取
• 3.5 基于SVM 的GABOR 小波特征跟踪算法
• 3.6 实验结果
• 3.7 本章小结
• 第4章 基于PCA 和LDA 特征提取的SVM 跟踪算法
• 4.1 PCA 的基本概念
• 4.2 PCA 特征提取
• 4.3 核函数主成分分析提取图像特征
• 4.4 LDA 特征提取
• 4.5 PCA、KPCA 和LDA 特征提取与SVM 相结合目标检测
• 4.6 实验结果
• 4.7 本章小结
• 第5章 基于ADABOOST 特征提取的SVM 跟踪算法
• 5.1 引言
• 5.2 HAAR 小波特征
• 5.3 ADABOOST 算法
• 5.4 基于ADABOOST 提取特征的SVM 跟踪算法
• 5.5 实验结果
• 5.6 本章小结
• 第6章 硬件电路的设计和实现
• 6.1 硬件结构和系统性能特点
• 6.2 硬件系统原理及模块介绍
• 6.3 PCI 驱动程序设计及应用程序接口
• 6.4 SVM 算法在系统中达到的指标
• 6.5 基于双DSP 的目标跟踪系统方案
• 6.6 实验结果
• 6.7 本章小节
• 第7章 总结和展望
• 7.1 论文的主要工作
• 7.2 论文的创新点
• 7.3 展望
• 参考文献
• 致谢
• 宋华军简历
• 宋华军攻读博士学位期间发表的学术论文