基于L-GEM徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測跟蹤算法研究.pdf

1、運動目標(biāo)檢測跟蹤在智能視頻監(jiān)控等諸多領(lǐng)域起到十分重要的作用。在過去的幾年中，盡管大量的檢測跟蹤相關(guān)算法被提出，但在算法的實際應(yīng)用過程中會由于場景情況多樣、算法計算量大等因素難以滿足實時檢測跟蹤的需求，這也是目前為止，智能視頻監(jiān)控等沒有取得廣泛應(yīng)用的原因。面對這樣的情況，如何設(shè)計一款有效準(zhǔn)確的實時目標(biāo)檢測跟蹤算法有著重大的研究意義和實用意義。
　　針對目標(biāo)檢測跟蹤的實時性以及準(zhǔn)確性，本文提出了一種基于當(dāng)前兩種主流框架相結(jié)合的算法來完

2、成目標(biāo)的檢測跟蹤，并在傳統(tǒng)的目標(biāo)運動區(qū)域提取與目標(biāo)檢測兩個模塊中提出了以下幾種改進算法:
　　一、使用一種改進的混合高斯背景模型來完成運動區(qū)域的提取?？紤]到混合高斯背景模型在面對背景突變等情況下建模效果會變差，本文對算法進行了改進，即通過調(diào)整背景突變時模型的學(xué)習(xí)速率來削弱模型對光照變化的敏感度使模型具有更好的適應(yīng)性。
　　二、使用基于L-GEM的RBFNN分類器來完成運動目標(biāo)的訓(xùn)練檢測工作?；贚-GEM的RBFNN分類器因

3、其良好的泛化能力和極快的學(xué)習(xí)收斂速度被廣泛用于諸多應(yīng)用領(lǐng)域，但對目標(biāo)檢測跟蹤研究算法分析之后發(fā)現(xiàn)至今還沒有在這方面取得應(yīng)用。
　　三、使用基于隨機敏感度的重抽樣來平衡訓(xùn)練過程中目標(biāo)背景樣本不平衡問題。對于幀圖像來說，樣本內(nèi)的目標(biāo)區(qū)域往往遠小于背景區(qū)域，而訓(xùn)練過程中的誤分將產(chǎn)生極大的代價，目前的很多分類器如RBFNN、SVM等都沒有考慮到這個問題。本文使用基于隨機敏感度的重抽樣來平衡目標(biāo)背景訓(xùn)練過程中樣本不平衡問題，進而提高訓(xùn)練器的