基于結(jié)構(gòu)支持向量機(jī)的目標(biāo)跟蹤算法研究.pdf

1、隨著科技進(jìn)步和社會(huì)發(fā)展，計(jì)算機(jī)視覺(jué)跟隨人工智能的腳步走入人類視野。目標(biāo)檢測(cè)與跟蹤課題，作為計(jì)算機(jī)視覺(jué)的關(guān)鍵問(wèn)題，也是一個(gè)經(jīng)典難題，近年來(lái)受到各個(gè)相關(guān)領(lǐng)域研究學(xué)者的關(guān)注，并且應(yīng)對(duì)不同場(chǎng)景探索不同的檢測(cè)與跟蹤算法。在目標(biāo)檢測(cè)和目標(biāo)跟蹤兩個(gè)領(lǐng)域中，關(guān)鍵的問(wèn)題都在于如何有效描述目標(biāo)、如何讓計(jì)算機(jī)準(zhǔn)確識(shí)別目標(biāo)；不同點(diǎn)在于檢測(cè)看重的是精確度，而跟蹤在于實(shí)時(shí)性。
　　應(yīng)對(duì)這兩種需求，本文結(jié)合支持向量機(jī)的優(yōu)秀分類特性，研究了以下檢測(cè)和跟蹤系統(tǒng)。<

2、br>　　對(duì)于目標(biāo)檢測(cè)系統(tǒng)，在其訓(xùn)練階段，首先在每個(gè)滑動(dòng)窗口中分別計(jì)算HOG特征與LBPHF特征，然后將兩者結(jié)合構(gòu)成聯(lián)合特征。接著利用線性支持向量機(jī)（SVM）訓(xùn)練分類器，其中本算法通過(guò)自舉法（Bootstrap Method）不斷更新優(yōu)化分類器，以此獲得最優(yōu)判別模型。在訓(xùn)練階段的基礎(chǔ)上，將提取所得的聯(lián)合特征輸入上一階段所獲得的分類器中進(jìn)行判別，最后采用非極大值抑制（NMS）的融合方法對(duì)重疊檢測(cè)窗口進(jìn)行融合，以此獲得最終的檢測(cè)結(jié)果。實(shí)驗(yàn)證