基于神经网络的微弱运动目标的检测与跟踪

论文摘要

基于视频的运动分析主要针对包含各种运动目标的视频图像序列进行处理,从场景中检测、跟踪、分类识别目标,并对其行为进行理解和描述。运动目标检测与跟踪是计算机视觉的核心课题之一,它融合了图像处理、模式识别、人工智能、自动控制等相关领域的研究成果,在视频监控、机器人导航、视频传输、视频检索、医学图像分析、气象分析等许多领域有着广泛的应用,因此本课题具有重要的理论意义和广阔的实用价值。本文研究基于BP网络的微弱目标检测与跟踪技术。在总结分析目标检测研究现状和当前国内外已有算法的基础上,提出了一种在户外场景下运动目标的检测算法。在此基础上,运用MATLAB编程实现了对视频图像目标的跟踪检测,并通过检测算法的实现过程,分析了用BP网络进行图像目标模式识别的具体思路和方法。主要工作如下:1,首先,对输入图像进行预处理,并对图像进行二值化,确定目标区域并对目标进行跟踪。在此基础上,对运动目标进行特征提取。本文选择目标的空间特征作为输入特征集。2,采用“邻域对像素”的方法建立了一种输入和输出的关系。即采用3x3的模板在图像上滑动,并以中心为采样点对图像进行采样。这样不仅降低了输入数据的维数,更提高了BP网络的训练速度。3,构建了基于小样本学习理论的BP网络分类器,用已标记样本对分类器进行训练,较好地解决了非线性目标的自动检测与跟踪问题。训练好的BP网络便可以用来对未知目标样本进行识别。实验结果表明,本文提出的方法可以较好地识别出运动目标,并能有效地抑制背景噪声,而且算法简洁有效,操作效率高,对复杂背景的低信躁比图像环境表现出良好的滤波性能和稳健的适应能力。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 相关技术及其研究动态
• 1.2.1 图像识别系统
• 1.2.2 人工神经网络概述
• 1.3 主要研究工作与研究成果
• 1.4 论文安排
• 第二章 BP 网络理论
• 2.1 人工神经网络的理论基础
• 2.1.1 生物神经元
• 2.1.2 人工神经元模型
• 2.1.3 神经网络的结构
• 2.1.4 神经网络的学习方式
• 2.2 BP 网络模型及学习算法
• 2.2.1 BP 神经元及BP 网络模型
• 2.2.2 BP 网络的学习
• 2.2.2.1 性能函数
• 2.2.2.2 链法则
• 2.2.2.3 敏感性的反向传播
• 2.2.2.4 小结
• 2.3 BP 网络应用于目标检测与跟踪的总体设计方案
• 2.3.1 统计模式识别方法
• 2.3.2 基本流程和思路
• 第三章 运动目标检测与跟踪的相关研究
• 3.1 运动目标的检测和跟踪方法
• 3.1.1 运动目标的检测
• 3.1.2 运动目标跟踪方法
• 3.2 图像特征及提取
• 3.2.1 图像的特征描述
• 3.2.2 目标的特征提取
• 3.3 目标检测与跟踪的相关问题
• 3.3.1 运动目标的定位问题
• 3.3.2 有监督学习
• 3.4 运动目标检测与跟踪的难点问题
• 第四章 基于BP 网络的目标检测与跟踪的实现方法
• 4.1 图像的预处理
• 4.1.1 图像增强
• 4.1.2 图像的二值化
• 4.1.3 形态学滤波处理
• 4.2 目标的特征分析
• 4.2.1 特征提取
• 4.2.2 特征选择
• 4.3 BP 网络分类器的设计和实现
• 4.3.1 非线性映射关系建立
• 4.3.2 BP 网络的设计方法
• 4.3.3 改进的BP 算法
• 4.3.3.1 标准BP 算法的缺点
• 4.3.3.2 动量BP 算法
• 4.3.3.3 学习率可变的BP 算法
• 4.3.4 BP 网络训练后的参数
• 4.4 MATLAB 的仿真结果
• 4.5 BP 网络的局限性
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 个人简历
• 攻硕期间取得的研究成果