摘要摘要基于視頻的運(yùn)動(dòng)分析主要針對(duì)包含各種運(yùn)動(dòng)目標(biāo)的視頻圖像序列進(jìn)行處理，從場(chǎng)景中檢測(cè)、跟蹤、分類(lèi)識(shí)別目標(biāo)，并對(duì)其行為進(jìn)行理解和描述。運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是計(jì)算機(jī)視覺(jué)的核心課題之一，它融合了圖像處理、模式識(shí)別、人工智能、自動(dòng)控制等相關(guān)領(lǐng)域的研究成果，在視頻監(jiān)控、機(jī)器人導(dǎo)航、視頻傳輸、視頻檢索、醫(yī)學(xué)圖像分析、氣象分析等許多領(lǐng)域有著廣泛的應(yīng)用，因此本課題具有重要的理論意義和廣闊的實(shí)用價(jià)值。本文研究基于BP網(wǎng)絡(luò)的微弱目標(biāo)檢測(cè)與跟蹤技術(shù)。在總結(jié)分析目標(biāo)檢測(cè)研究現(xiàn)狀和當(dāng)前國(guó)內(nèi)外已有算法的基礎(chǔ)上，提出了一種在戶外場(chǎng)景下運(yùn)動(dòng)目標(biāo)的檢測(cè)算法。在此基礎(chǔ)上，運(yùn)用MATLAB編程實(shí)現(xiàn)了對(duì)視頻圖像目標(biāo)的跟蹤檢測(cè)，并通過(guò)檢測(cè)算法的實(shí)現(xiàn)過(guò)程，分析了用BP網(wǎng)絡(luò)進(jìn)行圖像目標(biāo)模式識(shí)別的具體思路和方法。主要工作如下1，首先，對(duì)輸入圖像進(jìn)行預(yù)處理，并對(duì)圖像進(jìn)行二值化，確定目標(biāo)區(qū)域并對(duì)目標(biāo)進(jìn)行跟蹤。在此基礎(chǔ)上，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行特征提取。本文選擇目標(biāo)的空問(wèn)特征作為輸入特征集。2，采用“鄰域?qū)ο袼亍钡姆椒ń⒘艘环N輸入和輸出的關(guān)系。即采用3X3的模板在圖像上滑動(dòng)，并以中心為采樣點(diǎn)對(duì)圖像進(jìn)行采樣。這樣不僅降低了輸入數(shù)據(jù)的維數(shù)，更提高了BP網(wǎng)絡(luò)的訓(xùn)練速度。3，構(gòu)建了基于小樣本學(xué)習(xí)理論的BP網(wǎng)絡(luò)分類(lèi)器，用已標(biāo)記樣本對(duì)分類(lèi)器進(jìn)行訓(xùn)練，較好地解決了非線性目標(biāo)的自動(dòng)檢測(cè)與跟蹤問(wèn)題。訓(xùn)練好的BP網(wǎng)絡(luò)便可以用來(lái)對(duì)未知目標(biāo)樣本進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文提出的方法可以較好地識(shí)別出運(yùn)動(dòng)目標(biāo)，并能有效地抑制背景噪聲，而且算法簡(jiǎn)潔有效，操作效率高，對(duì)復(fù)雜背景的低信躁比圖像環(huán)境表現(xiàn)出良好的濾波性能和穩(wěn)健的適應(yīng)能力。關(guān)鍵詞目標(biāo)檢測(cè)與跟蹤，BP神經(jīng)網(wǎng)絡(luò)，特征提取，學(xué)習(xí)算法ABSTRACTABSTRACTVIDEOBASEDMOTIONANALYSISAIMSATDETECTING，TRACKINGANDIDENTIFYINGMOVINGOBJECTS，ANDMOREGENERALLY,UNDERSTANDINGOBJECTSBEHAVIORSTHROUGHANALYSISANDPROCESSINGIMAGESEQUENCESWITHMOVINGOBJECTSTHE、DETECTIONANDTRACKINGOFTHEMOVINGOBJECTSISONEOFTHEMOSTIMPORTANTBRANCHESINTHECOMPUTERVISION，WHICHCOMBINESADVANCEDTECHNOLOGIESANDRESEARCHACHIEVEMENTSINIMAGEPROCESSING，PATTEMRECOGNITION，ARTIFICIALINTELLIGENCE，AUTOMATICCONTROLANDOTHERRELATIVEFIELDSITHASBROADLYAPPLIEDINVIDEOSURVEILLANCE，ROBOTSNAVIGATION，VIDEOTRANSMISSION，VIDEORETRIEVAL，MEDICALIMAGEANALYSIS，METEOROLOGICALANALYSISANDOTHERFIELDS，SOTHISSUBJECTHASIMPORTANTTHEORETICALSIGNIFICANCEANDWIDEPRACTICALVALUETHEAUTOMATICTARGETDETECTINGANDTRACKINGWHICHISBASEDONBPBACKPROPAGATIONNETSISSTUDIEDINTHISPAPERONTHEBASISOFSUMMARIZINGANDANALYZINGACTUALITYRESEARCHANDALGORITHMSBOTHHEREANDABOARD，ANALGORITHMOFMOVINGOBJECTSDETECTINGINTHEOUTDOORSCENESISPROPOSEDANDTHISPAPEROFFERSAKINDOFPROGRAMMINGR弓ALIZATIONOFUSINGBPNETWORKTODETECTANDTRACKTHEMOVINGOBJECTSFURTHER,THROUGHTHEREALIZATIONCOURSEOFTHERECOGNITIONALGORITHM，THISPAPERANALYSESTHECONCRETETHINKINGANDMETHODOFUSINGBPNETWORKINPATTERNRECOGNITIONAPPLICATIONOFPICTUREOBJECTSTHEMAINWORKISASFOLLOWSI，F(xiàn)IRSTLY,VIDEOIMAGESARECONVERTEDTOTHEBINARYTHROUGHTHEPRETREATINGPROCESS，THENCONFIRMINGTHEOBJECTSAREAANDTRACKINGTHEMONTHEBASISOFPRETREATMENT，F(xiàn)EATURESOFMOVINGOBJECTAREEXTRACTED2，ADOPTTHEMETHODOFNEIGHBOURTOPELSTOFOUNDARELATIONBETWEENIMPORTANDOUTPORTTHATISUSING3MULTIPLY3TEMPLATESLIPPINGONTHEIMAGES，ANDSAMPLINGTHEIMAGEBYTHECENTEROFTHESPOTITNOTONLYREDUCETHEDIMENIONOFTHEPICTURE，BUTALSOIMPROVETHESPEEDOFTHETRAINING3，BPNETWORKCLASSIFIERBASEDONSMALLSAMPLEISBUILTLABELEDSAMPLESAREUSEDTOTRAINTHECLASSIFIERTHEPROBLEMOFNONLINEAROBJECTCLASSIFICATIONCANBESOLVEDBETTERTHETRAINEDCLASSIFIERCANBEUSEDTODETECTANDTRACKUNKNOWNOBJECTSAMPLESIIABSTRACTSIMULATIONRESULTSSHOWTHATTHISMETHODCALLRECOGNIZETHEMOVINGOBJECTS，ANDRESTRAINTHEBACKGROUNDNOISEEFFICIENTLYINCONCLUSION，THISMETHODISCONCISEANDEFFICIENTITCANPROVIDEGOODFILTERINGRESULTSANDROBUSTADAPTABILITYTOIMAGETARGETSWITHCLUTTERBACKGROUNDKEYWORDSTARGETSDETECTINGANDTRACKING，BPNEURALNETWORK，F(xiàn)EATUREEXTRACTING，LEARNINGALGORITHMIII獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。據(jù)我所知，除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫(xiě)過(guò)的研究成果，也不包含為獲得電子科技大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書(shū)而使用過(guò)的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說(shuō)明并表示謝意。簽名玉衛(wèi)LU日期力閃驢年石月2弓關(guān)于論文使用授權(quán)的說(shuō)明日本學(xué)位論文作者完全了解電子科技大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，有權(quán)保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和磁盤(pán)，允許論文被查閱和借閱。本人授權(quán)電子科技大學(xué)可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論文。保密的學(xué)位論文在解密后應(yīng)遵守此規(guī)定簽名翻奄奄導(dǎo)師簽名閉手日期加年月2弓ET第一章緒論11研究背景及意義第一章緒論圖像識(shí)別是模式識(shí)別的重要內(nèi)容，而模式識(shí)別又是人工智能的重要分支之一。模式識(shí)別技術(shù)是用機(jī)器來(lái)模擬人的各種識(shí)別能力當(dāng)前主要是模擬人的視覺(jué)與聽(tīng)覺(jué)能力，即用機(jī)器來(lái)做圖像的識(shí)別和理解工作，用機(jī)器來(lái)做語(yǔ)言或各種聲音的識(shí)別和理解工作。因此，圖像識(shí)別的目的是對(duì)文字、圖像、圖片、景物等模式信息加以處理和識(shí)別，以解決計(jì)算機(jī)與外部直接通信這一重要問(wèn)題。可以說(shuō)，圖像識(shí)別的研究目標(biāo)是為機(jī)器配置視覺(jué)器官，讓機(jī)器具有視覺(jué)能力，以便直接接受外界的各種視覺(jué)信劇。隨著計(jì)算機(jī)技術(shù)與信息技術(shù)的發(fā)展，圖像識(shí)別技術(shù)獲得了越來(lái)越廣泛的應(yīng)用。例如醫(yī)療診斷中各種醫(yī)學(xué)圖片的分析與識(shí)別、天氣預(yù)報(bào)中的衛(wèi)星云圖識(shí)別、遙感圖片識(shí)別、指紋識(shí)別、臉譜識(shí)別、虹膜識(shí)別、手勢(shì)鑒別、漢字識(shí)別、機(jī)器人視覺(jué)等?？偠灾瑘D像識(shí)別技術(shù)不僅在工業(yè)、農(nóng)業(yè)、國(guó)防和高科技產(chǎn)業(yè)中普遍使用，而且越來(lái)越多得滲透到我們的日常生活中。本文研究的基于神經(jīng)網(wǎng)絡(luò)的微弱目標(biāo)檢測(cè)與跟蹤便是圖像識(shí)別的一種，它在現(xiàn)代信息社會(huì)中具有十分重要的意義。由于視覺(jué)過(guò)程本身的高度非線性，采用非線性的信息處理技術(shù)就自然成為圖像領(lǐng)域的一種發(fā)展趨勢(shì)。近20年來(lái)，國(guó)際上開(kāi)始興起了一些按自然法則計(jì)算，即模擬大自然的某種客觀規(guī)律來(lái)設(shè)計(jì)求解復(fù)雜系統(tǒng)相關(guān)問(wèn)題的算法，比較有代表性的如人工神經(jīng)網(wǎng)絡(luò)、模擬退火和遺傳算法等。它們對(duì)付大規(guī)模復(fù)雜系統(tǒng)中出現(xiàn)的組合爆炸問(wèn)題非常有力，往往不僅具有通用、穩(wěn)健、簡(jiǎn)單、便于并行處理等優(yōu)點(diǎn)，而且有望成為數(shù)值計(jì)算與語(yǔ)義表達(dá)、形象思維等高級(jí)智能行為聯(lián)系的橋梁，被視為是今后10年對(duì)計(jì)算技術(shù)有重大影響的關(guān)鍵技術(shù)。有觀點(diǎn)認(rèn)為，這些智能計(jì)算方法已廣泛用于優(yōu)化搜索等問(wèn)題，并取得了良好的實(shí)用效果，但從理論上講目前除了模擬退火外，大部分尚沒(méi)有完備的數(shù)學(xué)論證，缺乏深入的理論分析，這也正是科學(xué)家大有可為的探索領(lǐng)域【2J【31。目前，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)發(fā)展成為十分熱門(mén)的交叉學(xué)科，它涉及生物、電子、計(jì)算機(jī)、數(shù)學(xué)和物理等學(xué)科，有著廣泛的應(yīng)用背景，特別是在圖像處理領(lǐng)域目標(biāo)跟蹤、目標(biāo)辨識(shí)、數(shù)據(jù)壓縮、特征提取、噪聲抑制、圖像識(shí)別等具有重要的電子科技大學(xué)碩士學(xué)位論文地位。當(dāng)然隨著人工神經(jīng)網(wǎng)絡(luò)應(yīng)用的深入，人們發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)也不是盡善盡美的，它的模型和算法都在進(jìn)一步的探索之中，相信隨著人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)一步深入，其應(yīng)用領(lǐng)域會(huì)更廣，用途會(huì)更大。12相關(guān)技術(shù)及其研究動(dòng)態(tài)121圖像識(shí)別系統(tǒng)圖11給出了圖像識(shí)別系統(tǒng)框圖。由圖可見(jiàn)，圖像識(shí)別系統(tǒng)由三個(gè)環(huán)節(jié)組成。待識(shí)別圖像圖11圖像識(shí)別系統(tǒng)框圖結(jié)果輸出1數(shù)據(jù)獲取來(lái)自現(xiàn)實(shí)世界的模擬數(shù)據(jù)，如圖片、照片、圖像、景物等由一個(gè)傳感器收集，且被轉(zhuǎn)換成適合計(jì)算機(jī)處理的形式，即將物理量變成_組測(cè)量值。2數(shù)據(jù)處理數(shù)據(jù)處理包括預(yù)處理、特征提取和特征選擇。預(yù)處理技術(shù)的目的是改善圖像質(zhì)量，清除圖像中的噪聲，減輕或消除因傳感器與傳輸介質(zhì)本身不完善而引起的退化現(xiàn)象，便于機(jī)器分析處理等。特征提取就是從圖像中提取一組反映圖像特征的基本元素或數(shù)字值。特征選擇則是從已經(jīng)抽取的特征中選擇能夠更好地完成分類(lèi)識(shí)別任務(wù)的特征來(lái)表示原圖像。3判決分類(lèi)判決分類(lèi)就是采用一定的準(zhǔn)則或機(jī)制建立分類(lèi)規(guī)則，并用它們對(duì)未知圖像模式進(jìn)行分類(lèi)識(shí)別。用于解決圖像識(shí)別的方法可以概括成三種一般性的處理方法，即統(tǒng)計(jì)法、句法法和模糊法。本文采用的是統(tǒng)計(jì)法中的人工神經(jīng)網(wǎng)絡(luò)識(shí)別。2第一章緒論122人工神經(jīng)網(wǎng)絡(luò)概述人工神經(jīng)網(wǎng)絡(luò)ARTIFICIALNEURALNETWORK，ANN是采用物理可實(shí)現(xiàn)的系統(tǒng)來(lái)模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能，由大量人工神經(jīng)元廣泛互連而成的網(wǎng)絡(luò)。ANN是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出來(lái)的，是大腦認(rèn)知活動(dòng)的一種數(shù)學(xué)模型。ANN從腦的神經(jīng)系統(tǒng)結(jié)構(gòu)出發(fā)來(lái)研究腦的功能，研究大量簡(jiǎn)單的神經(jīng)元的集團(tuán)處理能力及其動(dòng)態(tài)行為。ANN的研究重點(diǎn)在于模擬和實(shí)現(xiàn)人的認(rèn)知過(guò)程中的感知過(guò)程、形象思維、分布式記憶和自學(xué)習(xí)、自組織過(guò)程，特別是對(duì)并行搜索、聯(lián)想記憶、時(shí)空數(shù)據(jù)統(tǒng)計(jì)描述的自組織以及一些相關(guān)聯(lián)的活動(dòng)中自動(dòng)獲取知識(shí)。ANN的信息處理由神經(jīng)元之間的相互作用來(lái)實(shí)現(xiàn)；知識(shí)與信息的存儲(chǔ)表現(xiàn)為互連的網(wǎng)絡(luò)元件間分布式的物理聯(lián)系；網(wǎng)絡(luò)的識(shí)別學(xué)習(xí)和識(shí)別決定于各神經(jīng)元連接權(quán)的動(dòng)態(tài)演化過(guò)程【41。人工神經(jīng)網(wǎng)絡(luò)的主要特征表現(xiàn)在1分布式存儲(chǔ)信息。其信息的存儲(chǔ)分布在不同的位置，神經(jīng)網(wǎng)絡(luò)是用大量神經(jīng)元之間的連接及對(duì)各連接權(quán)值的分布來(lái)表示特定的信息，從而使網(wǎng)絡(luò)在局部網(wǎng)絡(luò)受損或輸入信號(hào)因各種原因發(fā)生部分畸變時(shí)，仍然能夠保證網(wǎng)絡(luò)的正確輸出，提高網(wǎng)絡(luò)的容錯(cuò)性。2并行協(xié)同處理信息。神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元都可以根據(jù)接收到的信息進(jìn)行獨(dú)立的運(yùn)算和處理，并輸出結(jié)果，同一層中的各神經(jīng)元的輸出結(jié)果可被同時(shí)計(jì)算出來(lái)，然后傳輸給下一層做進(jìn)一步處理，這體現(xiàn)了神經(jīng)網(wǎng)絡(luò)并行運(yùn)算的特點(diǎn)，這一特點(diǎn)使網(wǎng)絡(luò)具有非常強(qiáng)的實(shí)時(shí)性。雖然各個(gè)神經(jīng)元的結(jié)構(gòu)極其簡(jiǎn)單，功能有限，但大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所能實(shí)現(xiàn)的行為是極其豐富多彩的。3信息處理和存儲(chǔ)合二為一。神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元都兼有信息處理和存儲(chǔ)功能，神經(jīng)元之間的連接強(qiáng)度的變化，既反映了對(duì)信息的記憶，同時(shí)又與神經(jīng)元對(duì)激勵(lì)的響應(yīng)一起反映了對(duì)信息的處理。4對(duì)信息的處理具有自組織、自學(xué)習(xí)的特點(diǎn)，便于聯(lián)想、綜合和推廣。神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的連接強(qiáng)度用權(quán)值大小來(lái)表示，這種權(quán)值可以通過(guò)對(duì)訓(xùn)練樣本的學(xué)習(xí)而不斷變化，而且隨著訓(xùn)練樣本量的增加和反復(fù)學(xué)習(xí)，這些神經(jīng)元之間的連接強(qiáng)度會(huì)不斷增加，從而提高神經(jīng)元對(duì)這些樣本特征的反應(yīng)靈敏度。3電子科技大學(xué)碩士學(xué)位論文現(xiàn)在，人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)滲透到各個(gè)領(lǐng)域，在職能控制、模式識(shí)別、計(jì)算機(jī)視覺(jué)、自適應(yīng)濾波和信號(hào)處理、非線性優(yōu)化、自動(dòng)目標(biāo)識(shí)別、連續(xù)語(yǔ)音識(shí)別、知識(shí)處理、傳感技術(shù)與機(jī)器人、生物醫(yī)學(xué)工程等方面取得了令人滿意的進(jìn)展。13主要研究工作與研究成果目標(biāo)的檢測(cè)與跟蹤是人工視覺(jué)的重要分支，在軍事信息處理領(lǐng)域中有重要的應(yīng)用意義。通常目標(biāo)識(shí)別既要區(qū)分相近的不同目標(biāo)又要在同一目標(biāo)發(fā)生畸變時(shí)不致誤判，因而導(dǎo)致識(shí)別過(guò)程非常復(fù)雜，信息量和計(jì)算量都很大，然而有實(shí)用意義的目標(biāo)檢測(cè)跟蹤必須在足夠短的時(shí)間內(nèi)完成。基于人工神經(jīng)網(wǎng)絡(luò)的多信息目標(biāo)檢測(cè)跟蹤技術(shù)具有很大的優(yōu)越性，因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)具有自學(xué)、聯(lián)想記憶、計(jì)算和智能控制能力，能通過(guò)簡(jiǎn)單的非線性單元的復(fù)合映射而獲得較強(qiáng)的非線性處理能力51。而目前應(yīng)用最多的是前饋型神經(jīng)網(wǎng)絡(luò)，特別是BP網(wǎng)絡(luò)。BPBACKPROPAGATION算法是基于梯度下降原理，該算法存在收斂速度慢和收斂精度受限制等問(wèn)題，本文采用附加動(dòng)量項(xiàng)的改進(jìn)BP算法，提高了網(wǎng)絡(luò)處理精度。由于目標(biāo)圖像存在噪聲干擾等因素，本文在完成了兩類(lèi)常用的形態(tài)濾波開(kāi)與閉運(yùn)算神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的基礎(chǔ)上，結(jié)合實(shí)際應(yīng)用要求，采用了從實(shí)例集訓(xùn)練樣本空間中進(jìn)行優(yōu)化訓(xùn)練的概念學(xué)習(xí)方法。在BP神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)例的學(xué)習(xí)過(guò)程中，通過(guò)神經(jīng)元的相互競(jìng)爭(zhēng)與協(xié)作，不斷調(diào)整其網(wǎng)絡(luò)權(quán)值并分布式地存儲(chǔ)于各神經(jīng)元中，從而完成知識(shí)的自動(dòng)獲取，將外部圖像環(huán)境的特征規(guī)律反映到自身結(jié)構(gòu)上來(lái)，賦予神經(jīng)網(wǎng)絡(luò)某種特定的智能，進(jìn)而實(shí)現(xiàn)圖像目標(biāo)的自動(dòng)檢測(cè)功能。論文的主要研究成果可以歸納為如下幾個(gè)方面1采用了一種非線性映射關(guān)系。建立非線性映射關(guān)系現(xiàn)在主要有兩方法一是，鄰域?qū)︵徲蚍椒?；二是，鄰域?qū)ο袼胤椒?。本文采取鄰域?qū)ο袼氐姆椒ǎ⒘艘环N輸入和輸出的關(guān)系。即采用3X3的模板在圖像上滑動(dòng)，并以中心為采樣點(diǎn)對(duì)圖像進(jìn)行采樣。這樣不僅降低了輸入的維數(shù)，更提高了BP網(wǎng)絡(luò)的訓(xùn)練速度。2運(yùn)用圖像的空間特征對(duì)圖像進(jìn)行特征提取。首先對(duì)輸入圖像進(jìn)行預(yù)處理，并根據(jù)先驗(yàn)知識(shí)將圖像轉(zhuǎn)化為二值圖像，這樣極大地降低了圖像處理的數(shù)據(jù)容量。然后利用目標(biāo)的位置特征和云層的灰度特征對(duì)圖像進(jìn)行特征提取，構(gòu)造樣本特征集。4第一章緒論3利用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)圖像目標(biāo)進(jìn)行檢測(cè)與跟蹤。在待檢測(cè)的幾十幀圖像中，特征相似的目標(biāo)和背景都在不停地移動(dòng)變化，并且有噪聲的干擾。用其中一幅圖像作為輸入樣本，通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練，在一定的學(xué)習(xí)規(guī)則下，使網(wǎng)絡(luò)權(quán)值記下了目標(biāo)和背景的特征。這樣，對(duì)于剩下的圖像，BP神經(jīng)網(wǎng)絡(luò)則可以自動(dòng)地檢測(cè)出目標(biāo)，并能成功地抑制背景和噪聲。14論文安排全文共分為五章，內(nèi)容如下第一章為緒論，介紹了基于BP網(wǎng)絡(luò)的目標(biāo)檢測(cè)與跟蹤的研究背景、意義以及目前的研究、應(yīng)用現(xiàn)狀，明確了本文的研究?jī)?nèi)容，并對(duì)本文所做的主要工作做了簡(jiǎn)要?dú)w納。第二章介紹了BP網(wǎng)絡(luò)的基本理論，從生物神經(jīng)元引出了人工神經(jīng)元的模型，并介紹了人工神經(jīng)網(wǎng)絡(luò)的主要結(jié)構(gòu)和學(xué)習(xí)方式；然后重點(diǎn)介紹了BP網(wǎng)絡(luò)結(jié)構(gòu)及其學(xué)習(xí)算法；最后，提出了BP網(wǎng)絡(luò)應(yīng)用于目標(biāo)檢測(cè)與跟蹤的總體設(shè)計(jì)方案。第三章首先介紹了目標(biāo)檢測(cè)的方法，并大致介紹了圖像特征的描述和提取，然后對(duì)現(xiàn)有的目標(biāo)檢測(cè)與跟蹤相關(guān)問(wèn)題做了一個(gè)概要性總結(jié)，為特征提取和選擇奠定了理論基礎(chǔ)。第四章在已有研究成果的基礎(chǔ)上，對(duì)目標(biāo)圖像進(jìn)行預(yù)處理和特征分析，并訓(xùn)練出了一種9維輸入L維輸出的BP網(wǎng)絡(luò)，用于對(duì)目標(biāo)的自動(dòng)檢測(cè)跟蹤；最后用MATLAB軟件對(duì)圖像進(jìn)行了仿真實(shí)驗(yàn)。第五章對(duì)全文做了總結(jié)，并對(duì)下一步工作做了展望。5電子科技大學(xué)碩士學(xué)位論文第二章BP網(wǎng)絡(luò)理論1974年，PWERBOS在其博士論文中提出了第一個(gè)適合多層網(wǎng)絡(luò)的學(xué)習(xí)算法，但該算法并未受到足夠的重視和廣泛的應(yīng)用，直到20世紀(jì)80年代中期，美國(guó)加利福利亞的PDPPARALLELDISTRIBUTEDPROCESSION小組于1986年發(fā)表了PARALLELDISTRIBUTEDPROCESSING一書(shū)，將該算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)的研究，才使之成為迄今為止最著名的多層網(wǎng)絡(luò)學(xué)習(xí)算法一BP算法，由此算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，稱(chēng)之為BP神經(jīng)網(wǎng)絡(luò)。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際運(yùn)用中，BP網(wǎng)絡(luò)廣泛應(yīng)用于函數(shù)逼近、模式識(shí)別、數(shù)據(jù)壓縮等，8090的人工神經(jīng)網(wǎng)絡(luò)模型是采BP網(wǎng)絡(luò)或它的變化形式，它也是前饋網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。21人工神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)211生物神經(jīng)元人工神經(jīng)網(wǎng)絡(luò)與它對(duì)應(yīng)的生物神經(jīng)網(wǎng)絡(luò)有很大區(qū)別。本節(jié)將簡(jiǎn)單介紹人腦功能中那些對(duì)人工神經(jīng)網(wǎng)絡(luò)研究有啟示的特征16JF7J。人腦由大量約1011個(gè)高度互連的單元每個(gè)單元約有104個(gè)連接組成。這些單元被稱(chēng)為神經(jīng)元。神經(jīng)元由三部分組成樹(shù)突、細(xì)胞體、軸突。樹(shù)突是樹(shù)狀的神經(jīng)纖維接受網(wǎng)絡(luò)，它將電信號(hào)傳送到細(xì)胞體，細(xì)胞體對(duì)這些輸入信號(hào)進(jìn)行整合并進(jìn)行閾值處理。軸突是單根長(zhǎng)纖維，它把細(xì)胞體的輸出信號(hào)導(dǎo)向其他神經(jīng)元。一個(gè)神經(jīng)細(xì)胞的軸突和另一個(gè)神經(jīng)細(xì)胞樹(shù)突的結(jié)合點(diǎn)稱(chēng)為突觸。神經(jīng)元的排列和突觸的強(qiáng)度由復(fù)雜的化學(xué)過(guò)程決定確立了神經(jīng)網(wǎng)絡(luò)的功能。神經(jīng)細(xì)胞單元的信息是寬度和幅度都相同的脈沖串，若某個(gè)神經(jīng)元細(xì)胞興奮，其軸突輸出的脈沖串的頻率就高；若某個(gè)神經(jīng)細(xì)胞抑制，其軸突輸出的脈沖串的頻率就低，甚至無(wú)脈沖發(fā)出。根據(jù)突觸對(duì)下一個(gè)神經(jīng)細(xì)胞的功能活動(dòng)的影響，突觸又可分為興奮性的和抑制性的兩種。神經(jīng)細(xì)胞的細(xì)胞膜將細(xì)胞體內(nèi)外分開(kāi)，從而使細(xì)胞體內(nèi)外有不同的電位，一般內(nèi)部的電位比外部低，其內(nèi)外電位之差稱(chēng)之為膜電位。突觸使神經(jīng)細(xì)胞的膜電位發(fā)生變化，且電位的變化是可以累加的，該6第二章BP網(wǎng)絡(luò)理論神經(jīng)細(xì)胞膜電位是它所有突觸產(chǎn)生的電位總和，當(dāng)該神經(jīng)細(xì)胞的膜電位升高到超過(guò)一個(gè)閾值時(shí)，會(huì)產(chǎn)生一個(gè)脈沖，從而總和的膜電位直接影響該神經(jīng)細(xì)胞興奮發(fā)放的脈沖數(shù)。一些神經(jīng)結(jié)構(gòu)是與生俱來(lái)的，而其他部分則是在學(xué)習(xí)的過(guò)程中形成的。在學(xué)習(xí)的過(guò)程中，可能會(huì)產(chǎn)生一些新的連接，一些連接也可能會(huì)消失。神經(jīng)結(jié)構(gòu)在整個(gè)生命期內(nèi)不斷進(jìn)行著改變，后期的改變主要是加強(qiáng)或減弱突觸連接。例如，現(xiàn)在已經(jīng)確認(rèn)，新記憶的形成是通過(guò)改變突觸強(qiáng)度而實(shí)現(xiàn)的。人工神經(jīng)網(wǎng)絡(luò)卻沒(méi)有人腦這么復(fù)雜，但它們之間有兩個(gè)關(guān)鍵相似之處。首先，兩個(gè)網(wǎng)絡(luò)的構(gòu)成都是可計(jì)算單元的高度互連雖然人工神經(jīng)元比生物神經(jīng)元簡(jiǎn)單得多。其次，處理單元之間的連接決定了網(wǎng)絡(luò)的功能。人工神經(jīng)網(wǎng)絡(luò)的根本目標(biāo)就是在網(wǎng)絡(luò)中采用合適的連接來(lái)解決特定問(wèn)題。212人工神經(jīng)元模型按照生物神經(jīng)元的結(jié)構(gòu)和工作原理，構(gòu)造一個(gè)人工神經(jīng)元結(jié)構(gòu)如圖2I所示。來(lái)其神兀輸?shù)娜隤1P2P連接權(quán)A外部輸入圖2I人工神經(jīng)元模型人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本單元，從圖中可以看出，它相當(dāng)于一個(gè)多輸入單輸出的非線性閾值器件。定義PPL，P2，PR】T表示其他神經(jīng)元的軸突輸出，亦即該神經(jīng)元的輸入向量；0【IL，【I2，1R】表示其他神經(jīng)元與該神經(jīng)元R個(gè)突觸的連接強(qiáng)度，亦即權(quán)值向量，其每個(gè)元素的值可正可負(fù)，分別表示為興奮R性突觸和移植性突觸；B為神經(jīng)元的閾值，如果神經(jīng)元輸入的加權(quán)和善IIPI大于7自他經(jīng)電子科技大學(xué)碩士學(xué)位論文B，則該神經(jīng)元被激活，所以輸入向量的加權(quán)和也稱(chēng)為激活值；F表示神經(jīng)元的輸入輸出關(guān)系函數(shù)，亦即傳輸函數(shù)。因?yàn)榧せ钪翟酱?，表示神?jīng)元的膜電位總和越大，該神經(jīng)元興奮所發(fā)放的脈沖數(shù)越多，所以脈沖函數(shù)一般為單調(diào)升函數(shù)。但它又是一個(gè)有限值函數(shù)，因?yàn)樯窠?jīng)元發(fā)放的脈沖數(shù)是有限的。這樣，神經(jīng)元的輸出可以表示為RAF善OOIPIB21從以上分析可以看出，人工神經(jīng)元反映了生物神經(jīng)元的基本功能。213神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)只有上億個(gè)生物神經(jīng)元連接成生物神經(jīng)網(wǎng)絡(luò)，才能完成對(duì)外部感知信息進(jìn)行的處理、記憶、學(xué)習(xí)等。同樣，單個(gè)人工神經(jīng)元往往不能完成對(duì)輸入信號(hào)的處理，它要按一定的規(guī)則連接成網(wǎng)絡(luò)，并讓網(wǎng)絡(luò)中每個(gè)神經(jīng)元的權(quán)值和閾值按一定的規(guī)則變化，才能實(shí)現(xiàn)所設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的功能要求。人工神經(jīng)網(wǎng)絡(luò)的連接形式和拓?fù)浣Y(jié)構(gòu)多種多樣，但總的來(lái)說(shuō)有兩種形式，即分層型和互連型神經(jīng)網(wǎng)絡(luò)。分層型神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖22所示，它又分為簡(jiǎn)單前饋型網(wǎng)絡(luò)、反饋型前饋網(wǎng)絡(luò)和內(nèi)層互連前饋網(wǎng)絡(luò)。分層型神經(jīng)網(wǎng)絡(luò)將所有神經(jīng)元按功能分為若干層，一般有輸入層、中間層和輸出層，各層順序連接。因?yàn)橹虚g層不直接與外部輸入和輸出打交道，所以又稱(chēng)為隱層。根據(jù)處理功能的不同，隱層可以有多層一般不超過(guò)兩層，也可以沒(méi)有。A一般前饋網(wǎng)絡(luò)8B反饋型前饋網(wǎng)絡(luò)第二章BP網(wǎng)絡(luò)理論C內(nèi)層互連前饋網(wǎng)絡(luò)圖22分層型神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)互連型神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖23所示，其網(wǎng)絡(luò)的任意兩個(gè)神經(jīng)元都相互連接，構(gòu)成全互連神經(jīng)網(wǎng)絡(luò)；如果不是全部的神經(jīng)元都彼此相互連接，則構(gòu)成局部互連神經(jīng)網(wǎng)絡(luò)。圖23互連型神經(jīng)網(wǎng)絡(luò)在人工神經(jīng)網(wǎng)絡(luò)的發(fā)展過(guò)成中，對(duì)生物神經(jīng)系統(tǒng)已從不同的角度進(jìn)行了不同層次的描述和模擬，提出了各種各樣的神經(jīng)網(wǎng)絡(luò)模型，其中最具代表性的網(wǎng)絡(luò)模型有感知器神經(jīng)網(wǎng)絡(luò)、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)等。214神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式人工神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)一樣，必須經(jīng)過(guò)學(xué)習(xí)，才具有智能特性。人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，實(shí)際上就是調(diào)節(jié)權(quán)值和閾值的過(guò)程。模仿人的學(xué)習(xí)過(guò)程，人們提出了多種神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，其中主要有三種形式有教師學(xué)習(xí)、無(wú)教師學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。1，有教師學(xué)習(xí)監(jiān)督學(xué)習(xí)有教師學(xué)習(xí)是在有“教師“指導(dǎo)和考察的情況下進(jìn)行學(xué)習(xí)的方式，如圖249電子科技大學(xué)碩士學(xué)位論文所示。期望輸出輸出圖24有教師學(xué)習(xí)方式這種學(xué)習(xí)方式，教師給出了與所有輸入模式P對(duì)應(yīng)的輸出模式的“正確答案，即期望輸出T目標(biāo)，用于學(xué)習(xí)的輸入輸出模式的集合稱(chēng)為訓(xùn)練樣本集；神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)根據(jù)一定的學(xué)習(xí)規(guī)則進(jìn)行學(xué)習(xí)，每一次學(xué)習(xí)過(guò)程完成后，“教師“都要考察學(xué)習(xí)的結(jié)果，即實(shí)際輸出A與期望輸出T的差別誤差E，以此決定網(wǎng)絡(luò)是否需要再次學(xué)習(xí)，并根據(jù)誤差信號(hào)調(diào)整學(xué)習(xí)的進(jìn)程，使網(wǎng)絡(luò)實(shí)際輸出和期望輸出的誤差隨著學(xué)習(xí)的反復(fù)進(jìn)行而逐漸縮小，直至達(dá)到要求的性能指標(biāo)為止。對(duì)誤差信號(hào)可以有不同的定義，常用的有1均方誤差MSEMEANSQUAREDERRORMSEEE】幫NTKAK2JIJ11N式中N輸出單位數(shù)；A廠第K個(gè)輸出單元的實(shí)際值；T廣第K個(gè)輸出單元的期望目標(biāo)值。2平均絕對(duì)誤差MAEMEANABSOLUTEERROR1022第二章BP網(wǎng)絡(luò)理論MAEN著1ITKAKLN3誤差平方和SSESUMSQUAREDERRORSSE2薈TK_AK22無(wú)教師學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)無(wú)教師學(xué)習(xí)不存在“教師“的指導(dǎo)和考察，所示。2324是靠神經(jīng)網(wǎng)絡(luò)本身完成，如圖25圖25無(wú)教師學(xué)習(xí)方式由于沒(méi)有現(xiàn)成的信息作為響應(yīng)的校正，學(xué)習(xí)則是根據(jù)輸入的信息，根據(jù)其特有的網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)規(guī)則來(lái)調(diào)節(jié)自身的參數(shù)或結(jié)構(gòu)這是一種自學(xué)習(xí)、自組織過(guò)程，從而使網(wǎng)絡(luò)的輸出反映輸入的某種固有特性如聚類(lèi)或某種統(tǒng)計(jì)上的分布特征。3強(qiáng)化學(xué)習(xí)再勵(lì)學(xué)習(xí)強(qiáng)化學(xué)習(xí)介于上述學(xué)習(xí)方式之間，如圖26所示。外部環(huán)境對(duì)學(xué)習(xí)后的輸出結(jié)果只給出評(píng)價(jià)信息獎(jiǎng)或懲，而不給出正確答案。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)通過(guò)強(qiáng)化那些受獎(jiǎng)勵(lì)的行為來(lái)改善自身的性能。無(wú)論哪種學(xué)習(xí)方式，其學(xué)習(xí)過(guò)程都有一定的規(guī)則，神經(jīng)網(wǎng)絡(luò)典型的學(xué)習(xí)規(guī)則有HEBB學(xué)習(xí)規(guī)則、誤差糾正學(xué)習(xí)規(guī)則、競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則等，在下面將結(jié)合具體的網(wǎng)絡(luò)模型進(jìn)行介紹。電子科技大學(xué)碩士學(xué)位論文圖26強(qiáng)化學(xué)習(xí)方式22BP網(wǎng)絡(luò)模型及學(xué)習(xí)算法由非線性變換單元組成的前饋網(wǎng)絡(luò)，簡(jiǎn)稱(chēng)BP網(wǎng)糾7】。221BP神經(jīng)元及BP網(wǎng)絡(luò)模型BP神經(jīng)元模型如圖27所示。輸入神經(jīng)元廣廠JP1P2PR圖27BP神經(jīng)網(wǎng)的一般模型BP神經(jīng)網(wǎng)絡(luò)與其他神經(jīng)元類(lèi)似，不同的是BP神經(jīng)元的傳輸函數(shù)見(jiàn)表21為非線性函數(shù)，最常用的函數(shù)是LOSIG和TANSIG函數(shù)，有的輸出層也采用線性函數(shù)PURELIN。其輸出為ALOSIGWPB2512第二章BP網(wǎng)絡(luò)理論表21傳輸函數(shù)名稱(chēng)輸入輸出故關(guān)系圖標(biāo)MATLAB函數(shù)硬極限函數(shù)A0，N0線性函數(shù)ANPURELIN飽和線性函數(shù)A0，NL對(duì)稱(chēng)飽和線性A1，IIL對(duì)數(shù)S形函數(shù)1A一1EN109SIG雙曲正切S形ENE一ATANSIG函數(shù)E“EN正線性函數(shù)A0，N，P2，T2，PQ,TQ這里PQ是網(wǎng)絡(luò)的輸入，TQ是對(duì)應(yīng)的目標(biāo)輸出。每輸入一個(gè)樣本便將網(wǎng)絡(luò)輸出與目標(biāo)輸出相比較。算法將調(diào)整網(wǎng)絡(luò)參數(shù)以使均方誤差最小化ECO,，I2ETA2】TK一AK】229近似均方誤差的最速下降算法為1。K1鋤K一0【罷0CO,I2K1鴨K一0【罷DI210這里C【為學(xué)習(xí)速度。到此為止，整個(gè)過(guò)程和LMS算法是一樣的。下面將敘述偏導(dǎo)數(shù)的計(jì)算。2222鏈法則211因?yàn)檎`差是隱層中的權(quán)值的隱函數(shù)，所以下面將用微積分中的鏈法則來(lái)計(jì)算偏導(dǎo)數(shù)。因?yàn)榱T罷粵一譏S1IAO嚕一A0VS1土“S1A0因?yàn)槊婷嫠ND【1I。、F噸忸。一0E里墮S，墊S，002A1；S，A1A蛐ON，A姚。A蛐。一所以T01K111K一僅S1A。02K102K一QS2。A1這里，SII1，2為E對(duì)第I層的輸入元素變化的敏感性。212213214215第二章BP網(wǎng)絡(luò)理論2223敏感性的反向傳播現(xiàn)在還需要計(jì)算敏感性SI，這要求再次使用鏈?zhǔn)椒▌t。正是這個(gè)過(guò)程給出了反向傳播這個(gè)詞，因?yàn)樗枋隽说贗層的敏感性通過(guò)第IL層的敏感性來(lái)計(jì)算的遞推關(guān)系。因?yàn)镾。罷昌罷誓S210O一2A12161AN，AN，ANAN而JON一20JCA1宣O皇奠；I20FLN102TN。217OAN，AN，N，0N，“、所以S1S2602。F1N1218S2；罷箋笪；一2TA_0A一AN，AN，、，AN，又因?yàn)閆ZZ。一2TA皇蘭三Q立一2TA重2N2所以S22TAF2N2由式220和式218可知，第二層的敏感性可以由已知算出，敏感性由第二層的敏感性推出，這就是反向傳播。2224小結(jié)下面小結(jié)BP算法。第一步是通過(guò)網(wǎng)絡(luò)將輸入向前傳播AOPAM“FMLCOM“AMBM1，MO，1，M一1AAM17219220第一層的221222223電子科技大學(xué)碩士學(xué)位論文。F一步是通過(guò)網(wǎng)絡(luò)將敏感性反向傳播SM一2童MNMTA224SMFMNM1M1TSMLMML2,1225最后使用近似的最速下降法更新權(quán)值和偏離值IMK1IMK一ASMAM“T226BMK1BMK一ASM22723BP網(wǎng)絡(luò)應(yīng)用于目標(biāo)檢測(cè)與跟蹤的總體設(shè)計(jì)方案231統(tǒng)計(jì)模式識(shí)別方法統(tǒng)計(jì)模式識(shí)別方法又稱(chēng)為判別理論或判別式方法，人工神經(jīng)網(wǎng)絡(luò)識(shí)別屬于此類(lèi)判別。統(tǒng)計(jì)法是模式識(shí)別研究中展開(kāi)得最早并獲得最大成功得課題。統(tǒng)計(jì)法以概率統(tǒng)計(jì)理論為基礎(chǔ)，其基本思想是無(wú)論輸入的對(duì)象是什么，它都被表示為一個(gè)數(shù)組。這組數(shù)組不是任意的，而是適當(dāng)選擇的、對(duì)原始數(shù)據(jù)進(jìn)行各種測(cè)量的結(jié)果，它們刻畫(huà)了輸入對(duì)象的特征，故稱(chēng)之為對(duì)象的特征向量。如果用N個(gè)特征來(lái)表示模式，則模式的機(jī)器表示就是N維特征向量【9J11。對(duì)于每一個(gè)確定的對(duì)象或模式，都有一個(gè)特征向量與之對(duì)應(yīng)。特征向量的全體就構(gòu)成模式的特征空間。特征向量是特征空間中的點(diǎn)，輸入模式就與特征空間中的點(diǎn)對(duì)應(yīng)。盡管來(lái)自統(tǒng)一類(lèi)模式的對(duì)象的特征向量往往是不同的隨機(jī)的，但就空間幾何距離而論，它們?cè)谔卣骺臻g中的對(duì)應(yīng)點(diǎn)總是互相接近的。于是，統(tǒng)計(jì)模式識(shí)別問(wèn)題就變成尋找空間中一些區(qū)域來(lái)識(shí)別每一輸入對(duì)象的問(wèn)題。換言之，統(tǒng)計(jì)模式識(shí)別是將特征空間劃分為若干個(gè)比如K個(gè)子空間，每個(gè)子空間就對(duì)應(yīng)一個(gè)模式類(lèi)，則將所有模式分為K類(lèi)。當(dāng)未知模式的特征向量落在代表第L類(lèi)模式的子空間中，則斷定該未知模式屬于第L類(lèi)。18第二章BP網(wǎng)絡(luò)理論232基本流程和思路基于BP網(wǎng)絡(luò)的目標(biāo)檢測(cè)與跟蹤系統(tǒng)框圖如圖210所示。由圖可見(jiàn)，整個(gè)系統(tǒng)由兩個(gè)連貫的階段即分析階段和識(shí)別階段組成。圖中下半部分是識(shí)別階段，即對(duì)未知類(lèi)別的樣本進(jìn)行分類(lèi)；上半部分為分析階段，即對(duì)己知類(lèi)別的樣本的樣本制定出判別函數(shù)及判別規(guī)則，以便對(duì)待識(shí)別樣本進(jìn)行分類(lèi)識(shí)別。訓(xùn)練樣本未知樣本自適應(yīng)部分段段圖210基于BP網(wǎng)絡(luò)的目標(biāo)檢測(cè)與跟蹤系統(tǒng)1待識(shí)別樣本是從未知模式類(lèi)中隨機(jī)抽取的一個(gè)樣本。訓(xùn)練樣本是人工識(shí)別的用于制定分類(lèi)判別函數(shù)的抑制類(lèi)別模式。2預(yù)處理包括清除噪聲和干擾，過(guò)濾、復(fù)原和增強(qiáng)、模式的編碼和近似以及數(shù)據(jù)壓縮等。對(duì)于不同的模式有不同的要求，常選擇不同的預(yù)處理方法。預(yù)處理是一個(gè)非常重要的環(huán)節(jié)，如果不能得到一個(gè)良好的預(yù)處理結(jié)果，模式識(shí)別就不會(huì)得到好的結(jié)果，有時(shí)甚至無(wú)法進(jìn)行。3特征抽取是將待識(shí)別對(duì)象的某些特征無(wú)論是物理的還是形態(tài)的都加以數(shù)字化的過(guò)程，即將一個(gè)客觀實(shí)體即模式轉(zhuǎn)換為數(shù)字特征集。4特征選擇是從經(jīng)過(guò)預(yù)處理的模式中挑選一批樣本進(jìn)行分析，選取對(duì)完成分類(lèi)要求來(lái)說(shuō)最可能達(dá)到目的的特征集。19電子科技大學(xué)碩士學(xué)位論文特征抽取與特征選擇是模式識(shí)別的關(guān)鍵。當(dāng)己知某一個(gè)特征集可以區(qū)分模式時(shí)，實(shí)際上模式識(shí)別任務(wù)已接近完成。當(dāng)選定某一組特征后，并按該特征對(duì)模式進(jìn)行抽取以致分類(lèi)，如果得不到滿意結(jié)果，還要回過(guò)頭來(lái)重新選取特征，改進(jìn)特征抽取方法，如此反復(fù)多次，直到得到滿意結(jié)果為止。5自適應(yīng)部分是根據(jù)訓(xùn)練樣本集找出一個(gè)有效的分類(lèi)規(guī)律。其基本過(guò)程是當(dāng)訓(xùn)練樣本根據(jù)某些準(zhǔn)則制定出一些判決規(guī)則以后，再對(duì)這些訓(xùn)練樣本逐個(gè)進(jìn)行檢測(cè)，觀察是否有誤差，如果有的話，就需要進(jìn)一步改善判別規(guī)則，直到滿意為止。在用了越來(lái)越多的樣本以后，分類(lèi)器的性能將可以得到改善。第三章運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的相關(guān)研究第三章運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的相關(guān)研究為了方便后續(xù)章節(jié)的理解，本章首先介紹了運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤的方法；然后介紹了常用的圖像特征描述方法，包括顏色、紋理、形狀等特征，并對(duì)現(xiàn)有的目標(biāo)提取方法進(jìn)行了總結(jié)接著介紹了運(yùn)動(dòng)目標(biāo)檢測(cè)涉及到的幾個(gè)問(wèn)題；最后探討了目前目標(biāo)檢測(cè)和識(shí)別研究遇到的難點(diǎn)問(wèn)題，為后面的BP網(wǎng)絡(luò)設(shè)計(jì)指明了重點(diǎn)和方向。31運(yùn)動(dòng)目標(biāo)的檢測(cè)和跟蹤方法按照目標(biāo)與攝像機(jī)之間的關(guān)系，運(yùn)動(dòng)目標(biāo)檢測(cè)可以分為靜態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)和動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)。所謂靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)是指攝像機(jī)在整個(gè)監(jiān)視過(guò)程中不發(fā)生移動(dòng)，只有被監(jiān)視目標(biāo)在攝像機(jī)的視場(chǎng)內(nèi)運(yùn)動(dòng)，這個(gè)過(guò)程只有目標(biāo)相對(duì)于攝像機(jī)的運(yùn)動(dòng)動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)是指攝像機(jī)在整個(gè)監(jiān)視過(guò)程中發(fā)生了移動(dòng)如平動(dòng)、旋轉(zhuǎn)或多自由度運(yùn)動(dòng)，被監(jiān)視目標(biāo)在攝像機(jī)的視場(chǎng)內(nèi)也發(fā)生了運(yùn)動(dòng)，即在監(jiān)視過(guò)程中目標(biāo)與攝像機(jī)之間產(chǎn)生了復(fù)雜的相對(duì)運(yùn)動(dòng)。311運(yùn)動(dòng)目標(biāo)的檢測(cè)靜態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)主要有三種常用方法幀差法【11】121，背景差分法113J和光流法【1416。幀差法是根據(jù)圖像中像素點(diǎn)的灰度差計(jì)算出運(yùn)動(dòng)物體的位置和形狀等信息，這種方法對(duì)于動(dòng)態(tài)環(huán)境有很好的適應(yīng)性，但不能提取出較完整的運(yùn)動(dòng)目標(biāo)背景差分法是一種特殊的幀差法，它能夠較完整的提取出運(yùn)動(dòng)目標(biāo)，但對(duì)光照和外部條件造成的動(dòng)態(tài)場(chǎng)景變化過(guò)于敏感光流法是基于對(duì)光流場(chǎng)的估算進(jìn)行檢測(cè)分割的方法。針對(duì)光流法中的孔徑問(wèn)題，人們提出了各種方法來(lái)克服這一問(wèn)題。例如使用光流全局平滑性假設(shè)來(lái)求解光流的HORNSHCUNCK方法；使用一個(gè)模型通過(guò)最小二乘法來(lái)擬合像素點(diǎn)領(lǐng)域內(nèi)的光流值，約束光流進(jìn)行局部調(diào)整的LUCASKNADA方法利用二階導(dǎo)數(shù)求光流的NGAEL方法和利用魯棒回歸算法計(jì)算光流，克服遮擋時(shí)運(yùn)動(dòng)邊界信息不可靠問(wèn)題的魯棒計(jì)算法等。光流法經(jīng)過(guò)改進(jìn)，能夠在21電子科技大學(xué)碩士學(xué)位論文攝像機(jī)運(yùn)動(dòng)情況下較好地檢測(cè)出運(yùn)動(dòng)目標(biāo)，但是這種方法的計(jì)算復(fù)雜，不適于實(shí)時(shí)處理。動(dòng)態(tài)背景下的運(yùn)動(dòng)檢測(cè)由于存在著目標(biāo)與攝像機(jī)之間復(fù)雜的相對(duì)運(yùn)動(dòng)，所以算法也要比靜態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)算法復(fù)雜的多，常用的動(dòng)態(tài)背景下運(yùn)動(dòng)檢測(cè)算法有塊匹配法、光流估計(jì)法、圖像匹配法以及全局運(yùn)動(dòng)估計(jì)法等。312運(yùn)動(dòng)目標(biāo)跟蹤方法基于視頻或圖像序列的運(yùn)動(dòng)目標(biāo)跟蹤長(zhǎng)期以來(lái)都是計(jì)算機(jī)視覺(jué)，數(shù)字視頻與圖像處理和模式識(shí)別領(lǐng)域中一個(gè)非常重要和活躍的研究課題。所謂運(yùn)動(dòng)目標(biāo)跟蹤，就是在運(yùn)動(dòng)目標(biāo)檢測(cè)的基礎(chǔ)上，利用目標(biāo)的有效特征，使用適當(dāng)?shù)钠ヅ渌惴?，在序列圖像中尋找與目標(biāo)模板最相似候選目標(biāo)的位置，簡(jiǎn)單說(shuō)就是在序列圖像的每一幅圖像中為目標(biāo)定位。在研究過(guò)程中，運(yùn)動(dòng)目標(biāo)跟蹤是銜接運(yùn)動(dòng)目標(biāo)檢測(cè)和目標(biāo)行為分析與理解的一個(gè)重要環(huán)節(jié)，在實(shí)際應(yīng)用中，運(yùn)動(dòng)目標(biāo)跟蹤不僅可以提供目標(biāo)的運(yùn)動(dòng)軌跡和準(zhǔn)確的位置，而且反過(guò)來(lái)還可以為運(yùn)動(dòng)目標(biāo)檢測(cè)提供幫助，從而更有利于運(yùn)動(dòng)目標(biāo)的跟蹤。運(yùn)動(dòng)目標(biāo)跟蹤的方法中不論目標(biāo)是剛體與非剛體目標(biāo)，單目標(biāo)與多目標(biāo)，攝像機(jī)固定下的目標(biāo)與攝像機(jī)運(yùn)動(dòng)下的目標(biāo)，復(fù)雜場(chǎng)景中的目標(biāo)與簡(jiǎn)單背景中的目標(biāo)，都是要依據(jù)目標(biāo)和目標(biāo)所處的環(huán)境，選擇一個(gè)或多個(gè)能唯一表示目標(biāo)的特征，然后在后續(xù)圖像中搜索與所選征最匹配的目標(biāo)位置，所以運(yùn)動(dòng)目標(biāo)跟蹤的主要工作就是選擇好的目標(biāo)特征和采用適用的算法。目前的運(yùn)動(dòng)目標(biāo)跟蹤算法有的是針對(duì)提高跟蹤匹配的準(zhǔn)確性而提出的，其主要特點(diǎn)是通過(guò)選取好的跟蹤特征來(lái)提高目標(biāo)的搜索匹配速度和匹配的正確程度，有的是針對(duì)縮小目標(biāo)搜索范圍從而提高匹配準(zhǔn)確性和速度而提出的，其主要特點(diǎn)是通過(guò)某種方法預(yù)測(cè)目標(biāo)下一時(shí)刻可能出現(xiàn)的位置或確定一個(gè)目標(biāo)的搜索方向，通過(guò)縮小目標(biāo)的搜索范圍來(lái)縮短目標(biāo)搜索的時(shí)間同時(shí)又提高了搜索的準(zhǔn)確性。運(yùn)動(dòng)目標(biāo)跟蹤一般有以下幾個(gè)部分組成L，在視頻或圖像序列中檢測(cè)到新的運(yùn)動(dòng)目標(biāo)及運(yùn)動(dòng)區(qū)域2，對(duì)檢測(cè)到的運(yùn)動(dòng)目標(biāo)提取有效特征并建立目標(biāo)模板3，找到合適的算法進(jìn)行跟蹤。第三章運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的相關(guān)研究32圖像特征及提取321圖像的特征描述視頻是在時(shí)間上連續(xù)的一系列圖像幀的集合。視頻數(shù)據(jù)所包含的視覺(jué)內(nèi)容包括顏色、紋理、形狀和運(yùn)動(dòng)信息。其中，運(yùn)動(dòng)信息是視頻區(qū)別于一般靜態(tài)圖像數(shù)據(jù)所特有的內(nèi)容，如運(yùn)動(dòng)對(duì)象的大小變化、運(yùn)動(dòng)軌跡等。基于視頻的運(yùn)動(dòng)分析獲取的原始數(shù)據(jù)為視頻或圖像序列。數(shù)字視頻有其自身的特點(diǎn)視頻數(shù)據(jù)含有豐富的信息內(nèi)容，表現(xiàn)在視頻數(shù)據(jù)有較高的信息分辨率，內(nèi)容的多樣性，解釋的多樣性及模糊性；視頻數(shù)據(jù)既有空間屬性又有時(shí)間屬性；視頻數(shù)據(jù)有巨大的數(shù)據(jù)量。數(shù)內(nèi)字視頻有容上的層次性。數(shù)字視頻作為一種重要的多媒體信息，屬于一種非字符數(shù)值數(shù)據(jù)，它與字符數(shù)值數(shù)據(jù)有很大的不同，是有多幅連續(xù)的圖像序列構(gòu)成。其中X軸及Y軸表示水平及垂直方向的空間維，而T軸表示時(shí)間維。若一幅圖像沿時(shí)間軸保持一個(gè)時(shí)間段T，利用人眼的視覺(jué)暫留作用，可形成連續(xù)運(yùn)動(dòng)圖像的感覺(jué)。人眼在亮度信號(hào)消失后亮度感可保持120110秒的時(shí)間。如果每幀圖像交換速度足夠快一般為每秒25。30幀，人眼就感覺(jué)不到圖像的不連續(xù)。由圖210可以看出特征的提取與選擇在目標(biāo)識(shí)別中的重要作用，本節(jié)將簡(jiǎn)單介紹一下常用的圖像特征表示方法，以方便更好地選取適用于本文目標(biāo)識(shí)別的特征，為特征的提取與表示奠定基礎(chǔ)。L，形狀特征預(yù)處理得到的目標(biāo)區(qū)域，經(jīng)常使用一種適合于計(jì)算機(jī)進(jìn)一步處理的形式，對(duì)得到的像素區(qū)域進(jìn)行表示和描述。基本上，表示一個(gè)區(qū)域包括兩種選擇可以用其外部特性如它的邊界，也可以用其內(nèi)部特性來(lái)表示區(qū)域如組成區(qū)域的像素。即形狀描述可分為兩個(gè)范疇基于邊界和基于區(qū)域。這兩個(gè)范疇最成功的描述是傅立葉描述子和不變矩。2，紋理特征紋理是所有物體具有的特性，是區(qū)域的屬性，如云彩，樹(shù)木，磚，頭發(fā)等，它有不同的表面結(jié)構(gòu)等重要信息。雖然每個(gè)人都能夠辨識(shí)紋理，但是很難給紋理下一個(gè)準(zhǔn)確的定義，當(dāng)前，通常比較粗略的可將紋理定義為紋理是對(duì)圖像的象素灰度級(jí)在空間上的分布模式的描述，反映物品的質(zhì)地，如粗糙度、光滑性、顆電子科技大學(xué)碩士學(xué)位論文粒度、隨機(jī)性和規(guī)范性等。當(dāng)圖像中大量出現(xiàn)同樣的或差不多的基本圖像元素模式時(shí)，紋理分析是研究這類(lèi)圖像的重要的手段之一。紋理特征就是從物體圖像中計(jì)算出一個(gè)值，對(duì)物體灰度級(jí)變化的特征進(jìn)行量化。3，顏色特征在圖像處理中，顏色作為描述圖像的重要特征一直受到研究人員的重視。運(yùn)用顏色主要受兩個(gè)因素推動(dòng)。第一，人可以辨別幾千種顏色色調(diào)和亮度，相形之下只能辨別幾十種灰度層次，此因素對(duì)于人工圖像分析特別重要。第二，顏色是一個(gè)強(qiáng)有力的描述子，它常?？珊?jiǎn)化目標(biāo)物的區(qū)分及從場(chǎng)景中抽取目標(biāo)?？傊?，一幅圖像有很多特征表示方法。常用的形狀、紋理、顏色等都屬于底層視覺(jué)特征，選擇什么樣的特征表示圖像取決于具體的應(yīng)用。除了基于視頻的運(yùn)動(dòng)分析研究課題外，特征描述也是許多其他研究、應(yīng)用領(lǐng)域涉及的重要問(wèn)題，如圖像分割、基于內(nèi)容的圖像檢索、基于內(nèi)容的視頻檢索、人臉檢測(cè)、表情分析等。322目標(biāo)的特征提取提取特征是運(yùn)動(dòng)目標(biāo)識(shí)別的一個(gè)重要環(huán)節(jié)，根據(jù)所研究的對(duì)象和對(duì)象所處的環(huán)境選擇適合的目標(biāo)特征也是一個(gè)關(guān)鍵步驟。圖像目標(biāo)特征又可以根據(jù)識(shí)別情況分為三類(lèi)全局特征、局部特征和關(guān)系特征。全局特征通常是整幅圖像區(qū)域的一些特征，如目標(biāo)面積、周長(zhǎng)、傅立葉描述子、不變矩特征和自回歸模型等特征，全局特征可以通過(guò)考慮區(qū)域內(nèi)的所有點(diǎn)來(lái)得到，或只考慮區(qū)域邊界上的所有點(diǎn)來(lái)得到，全局特征是考慮所有點(diǎn)的位置、強(qiáng)度特性和空間關(guān)系來(lái)得到，所以全局特征對(duì)隨機(jī)噪聲具有一定的魯棒性。由于全局特征是基于整體統(tǒng)計(jì)特性的特征，當(dāng)目標(biāo)有部分缺損時(shí)，缺損部分對(duì)其影響很大，因此識(shí)別效果將會(huì)變差。局部特征代表了目標(biāo)的局部信息，通常位于目標(biāo)的邊界上或者表示區(qū)域中可分辨的一個(gè)小曲面，比如高曲率點(diǎn)也叫做角點(diǎn)。局部特征既有有計(jì)算頂點(diǎn)處的角度和相鄰邊的長(zhǎng)度來(lái)得到，也有用求局部輪廓序列等方法來(lái)得到，在有遮擋或圖像不完整的情況下，使用目標(biāo)的局部特征比用目標(biāo)的局特征更有效，但是局部特征對(duì)噪聲較為敏感。關(guān)系特征是基于區(qū)域、封閉輪廓或局部特征等不同實(shí)體的相對(duì)位置建的，這些特征通常包括特征之間的距離和相對(duì)方位測(cè)量值等等，它們?cè)诨谑褂脠D像區(qū)域或局部特征來(lái)識(shí)別和描述物體目標(biāo)時(shí)是非常有用的。第三章運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的相關(guān)研究一般情況下，我們可以選擇一個(gè)有區(qū)分度的目標(biāo)特征作為目標(biāo)特征匹配的標(biāo)準(zhǔn)實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的跟蹤，如目標(biāo)的邊緣、輪廓或目標(biāo)的顏色直方圖等而在對(duì)復(fù)雜目標(biāo)跟蹤時(shí)，如對(duì)人或人的某個(gè)部分的跟蹤，由于人或人的某個(gè)部分是非剛體目標(biāo)，隨著人的運(yùn)動(dòng)形狀和姿態(tài)都會(huì)發(fā)生變化，所以聯(lián)合多種特征進(jìn)行目標(biāo)跟蹤是一種很直接，也是很有效的方法。在完成了目標(biāo)特征的選取后，就要選擇適用的算法來(lái)實(shí)現(xiàn)目標(biāo)的定位。下面介紹目標(biāo)識(shí)別的相關(guān)問(wèn)題。33目標(biāo)檢測(cè)與跟蹤的相關(guān)問(wèn)題目標(biāo)檢測(cè)跟蹤是可以看作是這樣一個(gè)處理過(guò)程得到未知目標(biāo)的觀測(cè)數(shù)據(jù)，用一組合適的特征代表目標(biāo)作為輸入，輸出此目標(biāo)的位置或者運(yùn)動(dòng)軌跡。331運(yùn)動(dòng)目標(biāo)的定位問(wèn)題為了描述目標(biāo)，首先需要確定圖像中有可能對(duì)應(yīng)于目標(biāo)區(qū)域的像素集合，即目標(biāo)定位。目標(biāo)定位通常有兩種常用的處理方法，基于運(yùn)動(dòng)的策略和特定目標(biāo)檢索基于圖像的策略，這兩種方法在一定程度上有互補(bǔ)性。1，基于運(yùn)動(dòng)策略的目標(biāo)定位方法基于運(yùn)動(dòng)的策略【17】假定是在靜止攝像機(jī)或靜止背靜情況下，檢測(cè)出場(chǎng)景中與背景有相對(duì)運(yùn)動(dòng)的像素集合，并對(duì)這些像素進(jìn)行去噪、分割等處理以確定可能對(duì)應(yīng)于目標(biāo)的前景區(qū)域。目前，通常運(yùn)用背景減除法、幀差分法或者光流法提取出視頻圖像中的運(yùn)動(dòng)區(qū)域；跟蹤檢測(cè)到的運(yùn)動(dòng)區(qū)域；然后對(duì)跟蹤區(qū)域執(zhí)行分類(lèi)算法以確定它們的類(lèi)別將目標(biāo)區(qū)域分類(lèi)為飛機(jī)、云層、。大樹(shù)等等?；谶\(yùn)動(dòng)的目標(biāo)定位方法主要是根據(jù)目標(biāo)相對(duì)于背景運(yùn)動(dòng)這一特性來(lái)檢測(cè)目標(biāo)區(qū)域。這種方法的特點(diǎn)是幾乎不需要場(chǎng)景中目標(biāo)類(lèi)別的任何先驗(yàn)知識(shí)，而對(duì)檢測(cè)到的運(yùn)動(dòng)區(qū)域進(jìn)行目標(biāo)分類(lèi)的工作可以留到分類(lèi)算法中實(shí)現(xiàn)。運(yùn)動(dòng)檢測(cè)處理后，對(duì)于提取到的運(yùn)動(dòng)目標(biāo)需要進(jìn)一步抽取特征，設(shè)計(jì)分類(lèi)器以實(shí)現(xiàn)目標(biāo)分類(lèi)算法。2，基于圖像的特定目標(biāo)檢索策略基于圖像的特定目標(biāo)檢索策略不依賴(lài)于目標(biāo)運(yùn)動(dòng)，直接在整幅圖像中進(jìn)行全局搜索，判斷圖像中是否包含屬于特定類(lèi)別的目標(biāo)【L踟。每一幅圖像以整體作為輸入，然后在整個(gè)圖像空間中尋找符合感興趣目標(biāo)典型特征的像素區(qū)域，即比較所電子科技大學(xué)碩士學(xué)位論文有可能的待檢測(cè)區(qū)域與目標(biāo)模板的匹配度，例如人臉、車(chē)輛或花朵等。這種特定目標(biāo)模板需要事先利用一組屬于此類(lèi)目標(biāo)的已標(biāo)記樣本進(jìn)行訓(xùn)練得到。本文結(jié)合實(shí)際，采用的是基于圖像的特定目標(biāo)檢索策略對(duì)目標(biāo)區(qū)域進(jìn)行特征提取。332有監(jiān)督學(xué)習(xí)目標(biāo)識(shí)別問(wèn)題通常被歸為有監(jiān)督的學(xué)習(xí)問(wèn)題。監(jiān)督學(xué)習(xí)必須對(duì)所有的學(xué)習(xí)樣本做類(lèi)別標(biāo)記，學(xué)習(xí)算法是通過(guò)對(duì)一組已標(biāo)記樣本數(shù)據(jù)的訓(xùn)練來(lái)實(shí)現(xiàn)的。監(jiān)督式學(xué)習(xí)是從問(wèn)題中取得訓(xùn)練范例的輸入變數(shù)值和對(duì)應(yīng)的目標(biāo)輸出變數(shù)值，進(jìn)而從中學(xué)習(xí)輸入和目標(biāo)輸出問(wèn)的關(guān)系。學(xué)習(xí)算法或分類(lèi)器確定某個(gè)判決界限，使得按這種判決規(guī)則對(duì)待識(shí)別對(duì)象與訓(xùn)練樣本有相同分布進(jìn)行分類(lèi)所造成的錯(cuò)誤識(shí)別率最小。目前，已經(jīng)有多種用于實(shí)現(xiàn)目標(biāo)識(shí)別問(wèn)題的學(xué)習(xí)算法，如支持向量機(jī)、BOOSTING、最近鄰分類(lèi)器，邏輯線性分類(lèi)器，神經(jīng)網(wǎng)絡(luò)和貝葉斯分類(lèi)器等等。34運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的難點(diǎn)問(wèn)題對(duì)于計(jì)算機(jī)來(lái)說(shuō)運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤是一件有難度的工作，將不同的像素區(qū)域分類(lèi)為有意義的目標(biāo)區(qū)域需要一定的智能和很多有用的視覺(jué)信息顏色，形狀，局部特征，空間上的連續(xù)性等等。但是計(jì)算機(jī)不同于人類(lèi)，沒(méi)有關(guān)于視覺(jué)設(shè)備的方位和距離上的先驗(yàn)知識(shí)，而且攝像機(jī)只能捕獲到真實(shí)目標(biāo)在像素平面的投影圖像，即使運(yùn)用多攝像機(jī)進(jìn)行運(yùn)動(dòng)目標(biāo)的三維恢復(fù)來(lái)解決遮擋和深度問(wèn)題，也涉及到多攝像機(jī)之間的選擇和信息融合等較復(fù)雜的問(wèn)題。概括的講目標(biāo)檢測(cè)研究主有以下幾方面的難點(diǎn)1，運(yùn)動(dòng)目標(biāo)提取的準(zhǔn)確性直接影響目標(biāo)檢測(cè)跟蹤的準(zhǔn)確性。由于攝像機(jī)性能和環(huán)境變化等許多因素的影響，提取目標(biāo)前景區(qū)域時(shí)的精確性有時(shí)不盡理想，影響了后續(xù)任務(wù)的有效性。例如，有些目標(biāo)前景區(qū)域提取不完整、有些包含部分影子，這些都會(huì)改變目標(biāo)的原有形狀，使目標(biāo)的檢測(cè)跟蹤更復(fù)雜，因此需要目標(biāo)檢測(cè)算法具有一定魯棒性。2，解決特征向量對(duì)目標(biāo)姿態(tài)的容忍性是非常必要的。由于待檢測(cè)目標(biāo)的運(yùn)動(dòng)性及攝像機(jī)與目標(biāo)相對(duì)位置的差異，同一個(gè)運(yùn)動(dòng)目標(biāo)即使在相同的環(huán)境下也可以第三章運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的相關(guān)研究得到不同姿態(tài)的運(yùn)動(dòng)目標(biāo)圖像，例如，同一個(gè)人的正面和側(cè)面輪廓就有較大差別。目標(biāo)檢測(cè)處理應(yīng)對(duì)目標(biāo)姿態(tài)的變化有一定容忍性。3，尋找一組穩(wěn)定的特征量，給運(yùn)動(dòng)目標(biāo)分類(lèi)器提供良好的輸入。雖然理論上可以將提取到的運(yùn)動(dòng)目標(biāo)圖像作為輸入，但是圖像所獲得的數(shù)據(jù)量是相當(dāng)大的，并且不容易反映不同類(lèi)別間的本質(zhì)區(qū)別。因此，需要尋找一組穩(wěn)定的、最能反映分類(lèi)本質(zhì)的特征量。目前尚沒(méi)有一致公認(rèn)有效的特征集合。總結(jié)以上論述可以看出，運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤是基于視頻的運(yùn)動(dòng)分析中的一個(gè)重要的研究?jī)?nèi)容，對(duì)目標(biāo)檢測(cè)的研究應(yīng)該在借鑒已有成果的基礎(chǔ)上進(jìn)行，重點(diǎn)針對(duì)目標(biāo)的特征提取和學(xué)習(xí)算法進(jìn)行分析研究。電子科技大學(xué)碩士學(xué)位論文第四章基于BP網(wǎng)絡(luò)的目標(biāo)檢測(cè)與跟蹤的實(shí)現(xiàn)方法BP神經(jīng)網(wǎng)