智能機(jī)器人因其集合了機(jī)構(gòu)學(xué)、材料學(xué)、計(jì)算機(jī)圖像學(xué)、智能控制、儀器儀表、模式識(shí)別等多學(xué)科融合技術(shù)的特點(diǎn),始終處于科學(xué)技術(shù)領(lǐng)域的研究熱點(diǎn)。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(jī)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(gè)層次,而各層次的干擾因素分別對智能機(jī)器人視覺跟蹤算法提出了準(zhǔn)確性或魯棒性的要求。因此,智能機(jī)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(zhǔn)確性和實(shí)時(shí)性提出了更高的要求。對此,本文對智能機(jī)器人視覺跟蹤算法進(jìn)行深入研究,旨在提高目標(biāo)跟蹤算法在復(fù)雜工業(yè)環(huán)境下的穩(wěn)、準(zhǔn)、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(biāo)跟蹤算法較為復(fù)雜且計(jì)算量大的情況,研究時(shí)空上下文信息相關(guān)濾波目標(biāo)跟蹤算法。對時(shí)空上下文信息和相關(guān)濾波方法的基本理論進(jìn)行研究,構(gòu)建快速目標(biāo)跟蹤方法;針對目標(biāo)大幅度尺度變化的問題,在時(shí)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(jì)方法,實(shí)現(xiàn)準(zhǔn)確的目標(biāo)尺度估計(jì),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(biāo)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(shí)間上下文與空間上下文信息能夠使目標(biāo)跟蹤結(jié)果更加準(zhǔn)確上下文信息的研究也在逐漸深入，文獻(xiàn)[174]中從目標(biāo)相鄰區(qū)域背信息作為關(guān)鍵點(diǎn)，當(dāng)跟蹤算法丟失目標(biāo)后，能夠通過參照物信息文獻(xiàn)[175]中為了充分利用目標(biāo)的上下文信息，建立了兩種（時(shí)間然后構(gòu)建支撐域以提高跟蹤結(jié)果的準(zhǔn)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(diǎn)幅值，將細(xì)胞單元以空間上聯(lián)通為規(guī)則進(jìn)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(gè)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(jìn)行HOG特征收集，像的HOG特征多維向量....

圖3-1樣本標(biāo)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(qiáng)了樣本豐富性之后，需要對所跟蹤的目標(biāo)進(jìn)行模，通常采用將標(biāo)簽1賦予正樣本以及標(biāo)簽0賦予負(fù)樣本的法將某一類（正樣本或負(fù)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(biāo)遮擋、尺度變化和低分辨率是對目標(biāo)跟蹤算法的主要

本文編號(hào)：3952293