【摘要】：基于雙目視覺的運動目標跟蹤系統(tǒng)是在雙目視覺技術的基礎上,對視頻圖像序列中的運動目標進行檢測與提取,并對感興趣的目標進行連續(xù)跟蹤的過程。其主要過程是通過雙目相機得到具有深度信息的圖像,結合深度圖像和灰度圖像對運動目標進行檢測,計算出每一幀圖像中運動目標的位置和大小;然后將每一幀圖像中具有相同特性的目標關聯(lián)起來,得到目標的位置、速度、加速度等信息;最后得到目標在視場中完整的行駛軌跡。本課題以四旋翼無人機地面目標跟蹤系統(tǒng)為研究對象,對基于雙目視覺的運動目標識別與跟蹤算法進行了研究。首先,針對雙目視覺系統(tǒng),通過對現(xiàn)有標定算法進行分析,選擇并使用了精確度和靈活度適中的張氏標定法對雙目相機進行標定,并對其標定原理和計算過程進行了分析,得到了相機的內、外參數(shù),并對輸出的圖像進行了校正;針對無人機實時跟蹤的要求,采用了速度比較快的BM立體匹配算法對左右圖像進行匹配,得到具有深度信息的圖像。其次,針對旋翼無人機對地面目標進行跟蹤時的背景運動問題,在比較分析了常用背景運動補償算法的基礎上,采用了SURF算法對相鄰兩幀圖像的背景部分進行特征點檢測;然后通過仿射變換矩陣對視頻圖像進行校正;最后針對目標檢測過程中出現(xiàn)的光照變化、樹葉擾動等干擾,在運動目標檢測過程中采用了一種結合深度圖像和灰度圖像的三幀差分算法,增加了目標檢測的精確度,為后續(xù)的跟蹤算法提供準確的目標模版。最后,在檢測出待跟蹤目標的基礎上采用Camshift算法進行跟蹤,并結合Kalman濾波算法對目標的運動狀態(tài)進行預測。對跟蹤過程中遇到的嚴重遮擋和大面積同色背景干擾的問題進行了分析,通過對算法進行改進,使之能夠自動決策兩種算法在跟蹤結果中所占的權重問題,有效地解決了上述干擾,增強了系統(tǒng)的魯棒性。通過搭建雙目視覺平臺,對本文提出的各種算法采用Matlab或C++語言在計算機環(huán)境下仿真并調試完成,利用視頻圖像進行了仿真實驗。
【圖文】：

每幅圖像取 m 個特征點成m n個如公式（2.24）所示的方程組，利用最小二乘法求解畸變系數(shù)1k 和k獲得畸變系數(shù)后，根據(jù)實際的圖像坐標和計算所得的圖像坐標形成的二維重如公式（2.25）所示，通過求解公式（2.25）的最小值來優(yōu)化相機的內、外參迭代畸變系數(shù)和相機的內、外參數(shù)，直至收斂為止。21 21 1 || ( , , , , , ) ||n mij ij i i ji jF I I M k k R p P (張正友標定法操作過程簡單，一般采集 5～7 幅標定板圖像就可以得到比較精機參數(shù)。在兩個攝像頭相對位置不變的情況下只需要一次標定即可，一般不標定。.3 實驗驗證及分析在該部分實驗中硬件部分采用了變基線雙目相機開發(fā)板，筆記本電腦采用er Core i3-370M（2.4GHz），4G RAM，顯卡 ATI Mobility Radeon HD 5650；軟 Windows 10 x64 操作系統(tǒng)，Visual Studio 2013，OpenCV 2.4.13，Matlab201tlab 標定工具箱；標定板規(guī)格為 14×12 黑白方格，1.5mm×1.5mm。

圖 2.7 雙目相機與標定板的相對位姿體匹配算法過程機標定是立體視覺的基礎和前提，而立體匹配則是立體視覺的重要環(huán)節(jié)決的問題之一[35]。對雙目立體匹配算法而言，若要達到實時的條件，則度圖像效果比較差；若要得到精確度高的深度圖像，則算法需要消耗大此如何實現(xiàn)高精度下的實時算法是一個亟待解決的問題[36]。據(jù)算法匹配方式的不同，將立體匹配算法分為全局立體匹配算法和局部[37]。局部立體匹配算法核心是通過像素點約束窗口來進行匹配，主要步價計算、匹配代價聚合、視差計算與優(yōu)化。全局立體匹配算法核心則是能量函數(shù)來進行匹配，主要步驟包括：匹配代價計算、視差計算。在通法得到初步視差數(shù)據(jù)后，通常還需要對數(shù)據(jù)進行進一步的優(yōu)化等步驟。生成的深度圖像對運動目標進行檢測，不需要十分精確的深度圖像，但性有一定的要求，，因此著重介紹了局部立體匹配算法。 匹配代價計算
【學位授予單位】：蘭州理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關期刊論文 前10條

1 周同雪;朱明;;視頻圖像中的運動目標檢測[J];液晶與顯示;2017年01期

2 楊超;蔡曉東;王麗娟;朱利偉;;一種改進的CAMShift跟蹤算法及人臉檢測框架[J];計算機工程與科學;2016年09期

3 王麗;郝曉麗;;基于Kalman濾波器和改進Camshift算法的雙眼跟蹤[J];微電子學與計算機;2016年06期

4 余江浩;王林;;一種改進的Camshift結合Kalman濾波的車輛跟蹤定位算法[J];電腦知識與技術;2016年08期

5 黃曉麗;楊國為;吳少龍;;一種改進的Camshift和Kalman相結合的運動目標跟蹤算法[J];工業(yè)控制計算機;2016年01期

6 張華東;潘晨;章東平;;基于視覺顯著性的區(qū)域立體匹配算法[J];計算機應用;2015年12期

7 時培弘;董淑福;單勇;;一種基于改進SURF特征描述子的快速算法[J];電子科技;2015年10期

8 林俊義;江開勇;盧煒良;黃常標;劉斌;;區(qū)域劃分與視差估計結合的控制點立體匹配方法[J];現(xiàn)代制造工程;2015年09期

9 蘆書娟;呂學強;李卓;張凱;;改進CamShift的運動目標跟蹤算法[J];小型微型計算機系統(tǒng);2015年06期

10 周忠;周頤;肖江劍;;虛擬現(xiàn)實增強技術綜述[J];中國科學:信息科學;2015年02期

相關博士學位論文 前3條

1 高文;機載光電平臺目標跟蹤技術的研究[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2012年

2 張遠輝;基于實時視覺的乒乓球機器人標定和軌跡跟蹤技術研究[D];浙江大學;2009年

3 漆隨平;基于計算機視覺的檢測方法與應用研究[D];浙江大學;2005年

相關碩士學位論文 前8條

1 楊娜;基于雙目視覺的室內服務機器人導航技術研究[D];西安航天精密機電研究所;2016年

2 董銘芳;基于圖像顯著性檢測的目標跟蹤算法研究[D];吉林大學;2015年

3 郭程義;Camshift和Kalman濾波算法在視頻圖像跟蹤中的應用研究[D];鄭州大學;2015年

4 馬良;四旋翼無人機地面目標跟蹤系統(tǒng)的研究與設計[D];東南大學;2015年

5 趙建;基于三幀差法的運動目標檢測方法研究[D];西安電子科技大學;2013年

6 王冉;基于Camshift算法的運動預測目標跟蹤改進算法研究[D];山東大學;2012年

7 齊慶磊;基于雙目立體視覺的三維定位技術研究與實現(xiàn)[D];東北大學;2010年

8 劉嵩鶴;基于雙目立體視覺的安全車距測量技術研究[D];武漢理工大學;2008年

本文編號：2554553