智能機器人因其集合了機構(gòu)學(xué)、材料學(xué)、計算機圖像學(xué)、智能控制、儀器儀表、模式識別等多學(xué)科融合技術(shù)的特點,始終處于科學(xué)技術(shù)領(lǐng)域的研究熱點。本文以工業(yè)應(yīng)用環(huán)境為研究背景,分析基于視覺感知的智能機器人在復(fù)雜工業(yè)環(huán)境中需要面對的各種干擾因素,并依據(jù)干擾因素在工業(yè)應(yīng)用中出現(xiàn)的頻率將其分為三個層次,而各層次的干擾因素分別對智能機器人視覺跟蹤算法提出了準確性或魯棒性的要求。因此,智能機器人的工業(yè)應(yīng)用對所采用的視覺跟蹤算法的魯棒性、準確性和實時性提出了更高的要求。對此,本文對智能機器人視覺跟蹤算法進行深入研究,旨在提高目標跟蹤算法在復(fù)雜工業(yè)環(huán)境下的穩(wěn)、準、快三方面的性能。本文主要研究內(nèi)容安排如下:1、針對目標跟蹤算法較為復(fù)雜且計算量大的情況,研究時空上下文信息相關(guān)濾波目標跟蹤算法。對時空上下文信息和相關(guān)濾波方法的基本理論進行研究,構(gòu)建快速目標跟蹤方法;針對目標大幅度尺度變化的問題,在時空上下文信息跟蹤算法的基礎(chǔ)上研究基于特征金字塔的相關(guān)濾波多尺度估計方法,實現(xiàn)準確的目標尺度估計,提升跟蹤算法對工業(yè)環(huán)境中光照變化、尺度變化、復(fù)雜背景等第一層次干擾因素的適應(yīng)性。2、研究干擾判別及位置預(yù)測目標跟蹤算法。為了提...

【文章頁數(shù)】：138 頁

【學(xué)位級別】：博士

【部分圖文】：

圖2-1STC建模區(qū)域示意圖

利用時間上下文與空間上下文信息能夠使目標跟蹤結(jié)果更加準確上下文信息的研究也在逐漸深入，文獻[174]中從目標相鄰區(qū)域背信息作為關(guān)鍵點，當(dāng)跟蹤算法丟失目標后，能夠通過參照物信息文獻[175]中為了充分利用目標的上下文信息，建立了兩種（時間然后構(gòu)建支撐域以提高跟蹤結(jié)果的準確性，其中支....

圖2-3原始圖像與加入余弦窗后對比圖

然后，為了應(yīng)對跟蹤過程中圖像受到光照等因素而帶來的像素點幅值，將細胞單元以空間上聯(lián)通為規(guī)則進行組合從而形成區(qū)間，區(qū)間內(nèi)所有直方圖綜合起來就成為該區(qū)間的HOG特征。由于各個區(qū)間之間不可避疊的部分，最后就是將輸入圖像中所有重疊部分進行HOG特征收集，像的HOG特征多維向量....

圖3-1樣本標簽權(quán)重分配

致使頻域處理的困難增加。鑒于此，在處理節(jié)中介紹的余弦窗來抑制邊緣噪聲。歸方法的模板提取陣增強了樣本豐富性之后，需要對所跟蹤的目標進行模，通常采用將標簽1賦予正樣本以及標簽0賦予負樣本的法將某一類（正樣本或負樣本）中所有樣本都同等看待，異，因此不能得到最有效的樣本信息。為此....

圖3-4本章DDLPT算法在CarScale測試視頻中的性能優(yōu)勢

圖3-4本章DDLPT算法在CarScale測試視頻中的性能優(yōu)勢圖3-5本章DDLPT算法在Football測試視頻中的性能優(yōu)勢在測試視頻“RedTeam”中，目標遮擋、尺度變化和低分辨率是對目標跟蹤算法的主要

本文編號：3952293