论文部分内容阅读
目标识别与跟踪在模式识别领域已经取得了很多优秀的研究成果,但针对红外成像目标的识别率、运行速度以及稳定性研究还有待提高。本文从红外成像在道路监控中的应用出发,采用基于机器学习算法实现目标识别与跟踪。首先,本文分析红外成像的原理及特性,改进基于重构优化的红外目标显著性检测方法。首先分析红外成像的先验知识,引入基于外观的红外显著性增强,提高目标与背景的对比度,然后采用多尺度对比度增强算法提高目标显著性,由于目标与背景间的亮度差异,采用混合高斯模型构建红外图像的梯度概率分布图,分离目标与背景;最后,基于红外成像的先验增强与目标显著性构建能量方程,使用随机游走算法计算最优解。在大量的交通道路监控图像上实验表明,改进的显著性检测算法在精度、召回率和平均误差等方面优于其它算法。其次,本文改进了可支持向量机(Support Vector Machine,SVM)分类器的成本评价方式。对于传统的SVM分类器,样本错误分类的代价是相同的,训练分类器通过寻找使总错误分类代价最小化的超平面分割函数,并通过错误率评估分类器。但由于样本自身的复杂性,对于不同样本采用同样的成本评估代价并不合理,本文采用最小化经验风险与结构风险评价标准,从训练集的总成本和模型复杂度两方面优化分类器,减少错误分类样本的高成本误差。改进的SVM分类器在红外成像数据集上实验表明,该方法能降低分类器分类错误样本数量,且在不同数据集上具有普适性。最后,通过相关滤波器计算视频帧图像最大响应位置定位目标,基于在线学习跟踪算法核相关滤波器(Kernel Correlation Filter,KCF)实现目标跟踪。采用粒子滤波器(Particle Filter,PF)建立目标运动模型,解决核相关滤波器无法处理目标遮挡时跟踪问题,并提供核相关滤波器的目标检测区域,实现目标遮挡后二次跟踪问题。在公开的OTCBVS数据集以及实际道路场景中进行实验验证,结果表明:本文算法能正确识别道路车辆,实现红外监控视频中车辆的稳定实时跟踪。使用SVM分类器对目标识别的正确率达到93.27%,跟踪器的运行速度达到14.56FPS,跟踪器的平均距离精度和平均重叠精度高于其它算法。