论文基于SVM邻域学习的视频目标检测方法是大学硕士与本科邻域毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写邻域方面论文范文。
摘 要： 针对传统SVM普通学习模型无法适应视频中目标姿态变化、有遮挡或复杂背景的局限性,提出一种新的SVM邻域学习模型.邻域学习是基于视频相邻帧在时间和空间上的高度相关性,每个测试帧在其相邻帧上抽取训练数据进行SVM模型的学习与更新,随着视频的更新,SVM模型将不断更新来适应目标检测的各种变化.通过大量样本在各种复杂环境下实验,采用统计学分析结果,证明SVM邻域学习比传统SVM普通学习准确率更高、鲁棒性更好.
关键词： SVM模型； 邻域学习； 视频目标检测； 统计学分析
中图分类号： TN948.6?34 文献标识码： A 文章编号： 1004?373X（2017）14?0095?04
Abstract： Since the common learning model of traditional support vector machine （SVM） can′t adapt to the change target posture in video, and is limited with occlusion or complex background, a new SVM neighborhood learning model is proposed. The neighborhood learning is based on the high correlation of video adjacent frame both in time and space. The training data of each testing frame is extracted from its adjacent frame to learn and update the SVM model. With the updating of the video, the SVM model is updated continually to adapt to the changes of target detection. A large number of samples were experimented in complex environment. The statistics is used to analyze the results to verify that the SVM neighborhood learning has higher accuracy and better robustness than the traditional SVM common learning.
Keywords： SVM model； neighborhood learning； video target detection； statistics analysis
0 引 言
目标检测是模式识别、运动图像编码、智能监控等研究领域的重点和难点,在经济、工业和军事等领域有着广阔的应用前景.目前目标检测方法主要有帧间差分法、光流法、背景减除法等.帧间差分法计算简单、适应能力强,但检测结果内部容易产生空洞现象[1?2].光流法计算复杂、运算量大,很难满足实时性的要求[3?4].背景减除法算法易实现,但对外部动态场景变化非常敏感[5].目标跟踪分为在线跟踪和离线跟踪,Kalal等在TLD在线跟踪中提出了自适应校准跟踪模型[6],它通过在线学习机制可以不断更新检测模块以及跟踪模块的有关参数,很适合目标的跟踪,但当可形变目标在具有背景相似的环境中跟踪效果不理想.传统支持向量机（Support Vector Machine,SVM）在解决目标检测问题中很有优越性,但依然无法很好适应目标姿态发生变化、被遮挡或者复杂背景下的目标检测,对此,提出一种适用性更强的SVM邻域学习模型来提升检测效果.
1 支持向量机和K?means算法
1.1 支持向量机
支持向量机是一种具有强大非线性处理能力的高效分类器,SVM解决分类问题时系统结构简单,不僅保证了分类器较好的鲁棒性,还可以得到全局最优解,普适性很强.引入核函数可以将线性SVM推广到非线性SVM,对高维样本几乎不增加额外的计算量,能很好地解决维数灾难问题.SVM 的核心思想是寻找一个满足分类要求的最优分类超平面[7?8], 该超平面在满足分类精度的同时,使得分类间隔最大化.
目标检测问题可以简化为一个二分类问题[9],给定分类样本集为：,设超平面方程为：
1.2 K?means算法
K?means聚类算法是一种基于样本间相似性度量的无监督聚类方法.算法首先由实验者给定所要聚类的种类,并随机选择k个对象种子,每个种子代表一个类的均值或中心,对剩余的每个对象,根据其与各类中心的距离将它分给最近的类,然后重新计算每个类中对象的平均值形成新的聚类中心,不断重复此过程,直到式（9）的准则函数收敛为止[10?12],如下：
无监督聚类从研究对象的特征数据中发现关联规则,在图像像素点的特征空间中进行聚类就可以在此空间中发现特征相似的像素点组.K?means用于目标检测时分为两类,即是目标物体类或者不是目标物体类.首先计算检测图像内每个像素点与两个聚类中心的距离,根据距离分类,然后更新两个聚类的像素成员,更新聚类中心,计算待分图像内每个像素点到新聚类中心的距离,重复上述操作直到聚类中心不再发生改变,分类即完成.
2 SVM邻域学习
2.1 理论基础
（1） 图像预处理.图像预处理的目的是在保留足够多的图像信息前提下,提高图像质量,便于后续的图像处理分析.图像噪声会影响图像质量,进而影响实验的结果,为了提高实验的准确性,这里采用高斯滤波去除噪声.
总结:本论文为您写邻域毕业论文范文和职称论文提供相关论文参考文献，可免费下载。
参考文献：
1、 基于深度学习法视频文本区域定位和区别 摘要：通过对视频图像进行快速、准确的文本定位与识别，有利于提高视频信息处理的效率与准确率，采用Gabor滤波器实现在横、竖、撇、捺四个方向上的视。
2、 基于改进高斯混合模型的体育视频运动目标检测和跟踪 摘 要： 针对当前体育视频运动目标检测存在的弊端，提出改进高斯混合模型的体育视频运动目标检测与跟踪方法。通过分析高斯混合模型的弊端，保留原有的“。
3、 关于幼儿学习兴趣培养途径和方法 摘要：对培养幼儿学习兴趣的途径以及方法进行研究，能够有效提高幼儿教育质量。基于此，本文阐述了幼儿学习兴趣培养的重要性，并对培养幼儿学习兴趣的途径。
4、 基于文科类生自主学习网络视频公开课优化 摘 要：着眼于文科类研究生自学需要，分析我国视频公开课存在的问题，并基于认知主义、建构主义、人本主义等自主学习理论基础，构架出针对视频公开课的优。
5、 中学英语合作学习中存在问题解决方法 摘 要：合作是推动社会发展不可或缺的巨大动力，已经渗透到生活中的各个领域、各个层面，它的地位与作用显得越来越重要。合作学习不仅仅是一种学习方式，。
6、 激励中职生课堂学习积极性四个有效方法 摘要：本文根据中职生存在的课堂学习难以被激励的问题，研究提出了中职教师在课堂教学中能够有效激励学生学习积极性的四个方法。关键词：激励学习积极性。