【摘要】：應(yīng)用紅外熱像技術(shù)的目標(biāo)跟蹤方法,因其極強(qiáng)的抗干擾性、適應(yīng)性和全天候工作特性,使其被廣泛應(yīng)用于精確制導(dǎo)、智能監(jiān)控和自動(dòng)駕駛等領(lǐng)域。但紅外圖像固有的低對(duì)比度和局部細(xì)節(jié)模糊會(huì)導(dǎo)致跟蹤目標(biāo)的特征信息減弱。傳統(tǒng)的相關(guān)濾波紅外目標(biāo)跟蹤算法,受限于目標(biāo)淺層特征的表征能力弱、邊界效應(yīng)以及形變遮擋等原因,無(wú)法實(shí)現(xiàn)目標(biāo)的魯棒跟蹤。而基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法,因其提取的深層特征含有較多的語(yǔ)義信息,能夠有效的解決跟蹤的魯棒性問(wèn)題。因此,本文將從紅外圖像對(duì)比度優(yōu)化、弱細(xì)節(jié)增強(qiáng)、目標(biāo)跟蹤的抗遮擋研究以及深度特征的應(yīng)用幾個(gè)方面進(jìn)行研究。本文主要?jiǎng)?chuàng)新點(diǎn)及研究?jī)?nèi)容如下:(1)針對(duì)紅外弱小目標(biāo)的紋理模糊和低對(duì)比度問(wèn)題,提出了一種紅外圖像的弱細(xì)節(jié)增強(qiáng)方法。在引導(dǎo)濾波分層的基礎(chǔ)上,對(duì)細(xì)節(jié)層應(yīng)用改進(jìn)的快速多尺度中值濾波來(lái)抑制細(xì)節(jié)層噪聲;對(duì)背景層融合全局直方圖信息改善對(duì)比度受限的直方圖均衡的增強(qiáng)效果;最后使用多尺度去偽影方法優(yōu)化融合圖像。實(shí)驗(yàn)結(jié)果表明,所提增強(qiáng)算法有效的改善了紅外圖像的局部對(duì)比度和細(xì)節(jié)的清晰度。在保證實(shí)時(shí)的同時(shí),在信息熵和峰值信噪比指標(biāo)上取得了較大的提高。(2)針對(duì)紅外目標(biāo)被遮擋和背景雜波干擾,提出了一種融合再檢測(cè)思想的改進(jìn)紅外目標(biāo)跟蹤算法。針對(duì)遮擋問(wèn)題,建立目標(biāo)的相關(guān)響應(yīng)多峰值能量的檢測(cè),并基于檢測(cè)結(jié)果實(shí)施學(xué)習(xí)率和模型的高置信度更新,以解決遮擋造成的模型漂移,以及對(duì)背景區(qū)域的相關(guān)響應(yīng)值進(jìn)行懲罰,以解決相似目標(biāo)的干擾。結(jié)合支持向量機(jī)分類器實(shí)現(xiàn)目標(biāo)丟失后的重捕。實(shí)驗(yàn)結(jié)果表明,所提相關(guān)濾波跟蹤算法穩(wěn)定魯棒,且在目標(biāo)丟失時(shí)能夠?qū)崿F(xiàn)目標(biāo)重補(bǔ)。相比LCT算法,在精度和成功率上取得了5.6%和4.1%的提高。(3)針對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)提取的魯棒深層語(yǔ)義特征和空間定位準(zhǔn)確的淺層紋理特征,提出一種融合多層深度特征的穩(wěn)定相關(guān)濾波目標(biāo)跟蹤算法。算法自適應(yīng)融合多層特征以增強(qiáng)跟蹤的魯棒性;結(jié)合時(shí)域上下文距離約束和高置信度更新約束來(lái)實(shí)現(xiàn)目標(biāo)的再檢測(cè)。利用卡爾曼濾波器和置信度結(jié)果解決目標(biāo)丟失問(wèn)題。實(shí)驗(yàn)結(jié)果表明,提出的基于深度特征的目標(biāo)跟蹤方法,能夠?qū)崿F(xiàn)小目標(biāo)的魯棒跟蹤,相比其他深度學(xué)習(xí)算法,在精確度和成功率指標(biāo)上取得了一定程度的提升。
【圖文】：

圖 2-2 池化的兩種常見(jiàn)方式（最大池化、平均池化）化作為一種非線性壓縮方法，其也能類似卷積那樣得出相應(yīng)的輸出，參考公式（2-15）。其中，w和h為圖像的寬和高，Kw、Kh分別對(duì)應(yīng)核）的寬和高。11KKin woutin houtwwStridehhStride 了上述的池化方式，還有一種空域金字塔池化[57]，如圖 2-3 所示。4 42 511126710 64 9Average pooling

圖 5-3 不同層深度特征的目標(biāo)相關(guān)響應(yīng)。（a）輸入幀圖像；（b）conv5 響應(yīng)結(jié)果；（c）conv4 響應(yīng)結(jié)果；（d）conv3 響應(yīng)結(jié)果；（e）融合結(jié)果其中，，圖 5-3a 為 OTB-2015 中的跟蹤數(shù)據(jù)集 KiteSurf 中目標(biāo)出現(xiàn)嚴(yán)重形變時(shí)的第 39 幀，圖 5-3（b）~5-3（d）依次對(duì)應(yīng)第 5、4、3 層深度特征對(duì)應(yīng)的相關(guān)響應(yīng)圖，圖 5-3（e）為公式 5-4 優(yōu)化后的結(jié)果，最終目標(biāo)的位置參考圖中間的灰框位置。5.3 目標(biāo)再檢測(cè)由于多層深度特征的使用，UPCE 需要協(xié)同使用。UPCE 其策略需要重新計(jì)算特征相關(guān)響應(yīng)值，但是本章節(jié)中每層深層特征的帶來(lái)的作用無(wú)法有效確定，造成過(guò)多的計(jì)算。因此，UPCE 不完全適用本章節(jié)。本章節(jié)結(jié)合空間信息以及前幀的位置信息算出一個(gè)置信度并與經(jīng)驗(yàn)值Th對(duì)比而 Th 可以通過(guò) UPCE 計(jì)算。相比傳統(tǒng)的目標(biāo)位置推薦，大多數(shù)會(huì)從周邊鄰近區(qū)域推薦相關(guān)置信度最大的目標(biāo)區(qū)域作為預(yù)測(cè)區(qū)域，但是如果目標(biāo)被嚴(yán)重遮擋或者被相似目標(biāo)干擾，這種區(qū)域推薦也會(huì)受到相應(yīng)的影響。需要一個(gè)限制條件以確保目標(biāo)
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP18;TN713

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 崔乃剛;張龍;王小剛;楊峰;盧寶剛;;自適應(yīng)高階容積卡爾曼濾波在目標(biāo)跟蹤中的應(yīng)用[J];航空學(xué)報(bào);2015年12期

2 李天成;范紅旗;孫樹(shù)棟;;粒子濾波理論、方法及其在多目標(biāo)跟蹤中的應(yīng)用[J];自動(dòng)化學(xué)報(bào);2015年12期

3 李佳;秦翰林;延翔;周慧鑫;曾慶杰;韓姣姣;馬靜囡;呂恩龍;劉上乾;;時(shí)空域非線性濾波紅外序列圖像非均勻性校正[J];光子學(xué)報(bào);2015年04期

4 喬立永;徐立新;高敏;;帶寬自適應(yīng)均值偏移紅外目標(biāo)跟蹤(英文)[J];紅外與激光工程;2015年01期

5 張煥龍;胡士強(qiáng);楊國(guó)勝;;基于外觀模型學(xué)習(xí)的視頻目標(biāo)跟蹤方法綜述[J];計(jì)算機(jī)研究與發(fā)展;2015年01期

6 楊一帆;田雁;楊帆;黃彪;;基于改進(jìn)Mean-Shift算法的紅外小目標(biāo)跟蹤[J];紅外與激光工程;2014年07期

7 姜柏軍;鐘明霞;;改進(jìn)的直方圖均衡化算法在圖像增強(qiáng)中的應(yīng)用[J];激光與紅外;2014年06期

8 陳錢(qián);;紅外圖像處理技術(shù)現(xiàn)狀及發(fā)展趨勢(shì)[J];紅外技術(shù);2013年06期

相關(guān)博士學(xué)位論文 前1條

1 王鑫;復(fù)雜背景下紅外目標(biāo)檢測(cè)與跟蹤算法研究[D];南京理工大學(xué);2010年

本文編號(hào)：2675138