目標跟蹤是在缺乏目標先驗信息的情況下,對連續(xù)時間內(nèi)的目標位置進行估計。針對一般性目標的跟蹤算法近些年來在準確性方面取得了顯著進步。然而,關(guān)于無人機動態(tài)場景目標跟蹤的文獻還很少。無人機跟蹤旨在估計搭載的相機捕獲的視頻序列中的航空視角下的目標的位置。與一般性跟蹤算法相比,無人機跟蹤的主要挑戰(zhàn)集中在快速運動,尺度變化以及長寬比變化等因素導(dǎo)致的顯著外觀變化。本文利用局部特征點能夠提取圖像局部結(jié)構(gòu)信息的能力,從特征檢測和目標搜索兩個方面對無人機跟蹤算法進行改進。傳統(tǒng)的手工設(shè)計的特征檢測器往往只適用于特定類型的目標（如人臉、行人等）,而不適用于無人機航空視角下目標外觀顯著變化的情況。為此,本文提出了一種基于稀疏編碼的稀疏特征學(xué)習(xí)算法,來改善目標跟蹤的魯棒性。其基本思想是,對前幾幀采樣的訓(xùn)練樣本進行字典學(xué)習(xí)得到字典,然后對當(dāng)前幀的測試樣本進行稀疏特征表示。首先對圖像塊進行局部閾值自適應(yīng)FAST特征點檢測,然后以特征點為中心采集圖像塊得到訓(xùn)練樣本。通過計算圖像塊的局部梯度方向,對字典的元素進行分組訓(xùn)練,以描述不同圖像塊的局部方向信息。最后,將圖像塊劃分為小方塊,將稀疏特征投影到這些塊中,再構(gòu)造塊的特征... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

無人機應(yīng)用場景

而將具有弱響應(yīng)值的特征點濾除。圖像中的每個圓圈代表一個 FAST 特征點。在圖4-3 的實驗中，兩組圖像“Baboon”和“Fruits”都顯示了 250 個強特征點。由圖4-3a)可以看出，固定閾值方案主要檢測眼睛和毛發(fā)處的特征點，而鼻子處產(chǎn)生的特征點很。與之相反的是，基于局部自適應(yīng)閾值的檢測器可以檢測出眼睛，毛發(fā)以及鼻子處的特征點，如圖 4-3b)所示。所提出的局部閾值算法具有更好的性能的原因是，自適應(yīng)閾值是根據(jù)待檢測點的鄰域內(nèi)像素值的分布計算得到的，而固定閾值在整幅圖像中是全局的，所以固定閾值檢測器難以檢測出局部區(qū)域的特征點。在圖4-3c)和圖 4-3d)中，基于局部閾值的檢測器能夠檢測出弱光條件下的背景中的特征點，而固定閾值的檢測器卻忽略了橘子以外的特征點。因此，以上實驗結(jié)果表明，局部自適應(yīng)閾值的 FAST 特征點檢測器能夠檢測出遍布整幅圖像的特征點。相比于固定閾值的方案，由于利用了待檢測點的鄰域內(nèi)像素值的分布，因而具有更好的檢測性能。a) Baboon (固定閾值) b) Baboon (局部閾值)c) Fruits (固定閾值) d) Fruits (局部閾值)圖 4-3 局部自適應(yīng)閾值的 FAST 與固定閾值的 FAST 對比結(jié)果


本文編號：2906750