無人機對地運動目標跟蹤技術是計算機視覺領域的研究熱點之一,在安防和國防等領域具有重要的應用前景。目前,基于“先檢測后跟蹤”的技術策略是實現(xiàn)航拍視頻下目標自動跟蹤的主流方法。其中,無需大量先驗信息僅利用目標運動特性的在線檢測器是機載平臺實現(xiàn)普適性運動小目標檢測的最常用方法。但是,環(huán)境噪聲及移動平臺造成的虛假檢測,目標自身運動的變速變向、背景環(huán)境的變化及干擾、多目標互相干擾等造成的目標在圖像上的非線性形變,以及受到成像角度影響的場景遮擋而造成的目標在圖像上消失,均給后續(xù)的目標跟蹤帶來了極大的挑戰(zhàn)。針對上述問題,本文對圖像序列上運動目標在線外觀模型建模以及目標外觀/運動規(guī)律挖掘這兩個科學問題展開研究,實現(xiàn)長時運動目標跟蹤,為無人機實時對地觀測的目標識別、場景感知、行為理解等高級處理提供基礎。本文主要研究內容和創(chuàng)新點如下:1.提出了一種基于動態(tài)稀疏投影表示的目標外觀模型跟蹤方法,通過在線訓練目標外觀模型,解決了航拍視頻目標非線性形變下的目標跟蹤問題。傳統(tǒng)的基于稀疏投影表示的跟蹤方法采用固定的隨機投影矩陣,無法有效的區(qū)分固定跟蹤框中的目標與背景特征,累積誤差容易造成目標跟蹤偏移問題。本文通過采用... 

【文章來源】：西北工業(yè)大學陜西省 211工程院校 985工程院校

【文章頁數(shù)】：150 頁

【學位級別】：博士

【部分圖文】：

運動目標檢測方法在公式數(shù)據(jù)庫[11]中的處理結果展示[11]

征表示方法主要包含：梯度直方圖特征（Histograms of Oriented Gradients，HOG）[19]、顏色特征（Color）[20, 21]、局部二值模式特征（Local Binary Patterns，LBP）[22]、協(xié)方差特征（Covariance）[23]、稀疏字典表示（Sparse Coding）[24]以及不同特征的融合或者協(xié)同表示[25]。近幾年來，隨著硬件加速平臺的快速發(fā)展，基于機器自動學習的目標特征表示方法取得了大量的應用[17, 18, 26–29]。機器學習特征突破了手工特征的約束限制，極大的提升了分類器的魯棒性。該方法在學習及優(yōu)化階段帶來的巨大計算復雜度限制

#000074 #000696 #000732圖 3–28 UAV123數(shù)據(jù)跟蹤結果：視角變化以及目標離開視場視角變化以及目標離開視場：如圖3–28所示，在圖像序列Bird2中，目標為一只飛鳥。目標的快速移動和攝像機顯示參數(shù)的影響，只有PLCT和Struck算法在第#1712幀之前保持了有效的目標跟蹤。但是在第#1912幀飛鳥離開視場再重新出現(xiàn)時，所有跟蹤算法均失效。同樣的情況在圖像序列Car1 3、Car14和Person1 3均造成了相同的目標跟蹤結果。在圖像序列Car1 3中，汽車在第#2114幀離開場景后，在第#2222幀重新出現(xiàn)在場景中；在圖像序列Car14中，汽車在第#808幀之后消失在場景中


本文編號：3559628