隨著無人機(jī)、智能導(dǎo)彈等先進(jìn)飛行平臺的大規(guī)模部署,基于飛行平臺成像的視覺應(yīng)用技術(shù)越來越受到重視。其中運(yùn)動目標(biāo)檢測與跟蹤技術(shù)在人機(jī)交互、應(yīng)急救援以及戰(zhàn)場目標(biāo)打擊等應(yīng)用中有著廣泛的需求。飛行平臺成像屬于典型的全動態(tài)視頻場景,需要信息處理算法能實(shí)時地完成圖像處理并提供可靠的輔助決策信息。本文分別以視頻衛(wèi)星和無人機(jī)為兩種典型的飛行成像平臺,進(jìn)行地面運(yùn)動目標(biāo)檢測與跟蹤算法研究。（1）針對視頻衛(wèi)星圖像中的大量微小運(yùn)動目標(biāo),提出了一種高效率的基于軌跡搜索的大量微小運(yùn)動目標(biāo)在線檢測與跟蹤算法。首先本文提出了一種幀間迭代軌跡搜索算法,能以極高的效率從初始檢測結(jié)果中搜索可行的運(yùn)動路徑;然后提出了一種基于軌跡競爭的重疊目標(biāo)軌跡篩選算法,在同一目標(biāo)最多只能出現(xiàn)在一條真實(shí)軌跡中的假設(shè)下,從可行運(yùn)動路徑中篩選真實(shí)目標(biāo)軌跡;本文通過引入了空目標(biāo)狀態(tài)來應(yīng)對那些在初始檢測結(jié)果中被漏檢的目標(biāo),并相應(yīng)地提出了一種遞進(jìn)的軌跡搜索策略;文中還提出了一種基于二分圖匹配的多目標(biāo)軌跡關(guān)聯(lián)算法,能同時跟蹤所有檢測到的運(yùn)動軌跡,完成對目標(biāo)的長時跟蹤,保持目標(biāo)編號的連續(xù)性。最后本文提出了一種基于滑動時間窗口的實(shí)時微小目標(biāo)檢測算法,與已有方法... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：148 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 問題介紹以及領(lǐng)域研究概況
        1.2.1 同時檢測和跟蹤多個微小運(yùn)動目標(biāo)
        1.2.2 基于無人機(jī)航拍圖像的運(yùn)動目標(biāo)檢測與跟蹤
        1.2.3 視覺目標(biāo)跟蹤
    1.3 論文主要內(nèi)容與貢獻(xiàn)
        1.3.1 論文主要內(nèi)容
        1.3.2 論文的貢獻(xiàn)
第二章 基于軌跡搜索的微小運(yùn)動目標(biāo)在線檢測與跟蹤
    2.1 引言
    2.2 一種高效的軌跡檢測算法
        2.2.1 基于剪枝策略的軌跡搜索算法
        2.2.2 基于幀間迭代的快速軌跡生長算法
        2.2.3 基于非極大值抑制的軌跡競爭算法
        2.2.4 基于空目標(biāo)狀態(tài)表示和軌跡搜索的漏檢應(yīng)對方法
    2.3 微小運(yùn)動目標(biāo)在線檢測與跟蹤
        2.3.1 基于二分圖匹配的多目標(biāo)軌跡跟蹤算法
        2.3.2 基于軌跡搜索的小目標(biāo)在線檢測與跟蹤流程
        2.3.3 基于增量直線擬合的數(shù)據(jù)濾波方法
    2.4 標(biāo)準(zhǔn)性能實(shí)驗(yàn)
        2.4.1 性能度量
        2.4.2 與經(jīng)典算法對比
        2.4.3 噪聲干擾條件下的大量小目標(biāo)檢測
    2.5 視頻衛(wèi)星圖像中的運(yùn)動目標(biāo)檢測
        2.5.1 靜態(tài)背景下的運(yùn)動目標(biāo)檢測
        2.5.2 動態(tài)背景下的運(yùn)動目標(biāo)檢測
    2.6 模擬靶場觀測圖像中的運(yùn)動目標(biāo)檢測
    2.7 本章小結(jié)
第三章 基于兩幀圖像的無人機(jī)視覺運(yùn)動目標(biāo)檢測
    3.1 引言
    3.2 基于密集光流的運(yùn)動目標(biāo)檢測
        3.2.1 無人機(jī)場景中的光流
        3.2.2 基于圖模型的光流場分割算法
        3.2.3 實(shí)驗(yàn)及結(jié)果分析
    3.3 基于幀間差分的運(yùn)動目標(biāo)檢測
        3.3.1 基于網(wǎng)格角點(diǎn)和稀疏光流的無人機(jī)圖像快速配準(zhǔn)方法
        3.3.2 基于圖像分割的運(yùn)動目標(biāo)精確提取方法
        3.3.3 實(shí)驗(yàn)及結(jié)果分析
    3.4 基于幾何約束的實(shí)時運(yùn)動目標(biāo)檢測
        3.4.1 極線約束
        3.4.2 基于兩幀圖像和幾何約束的快速可靠運(yùn)動目標(biāo)檢測方法
        3.4.3 實(shí)驗(yàn)及結(jié)果分析
    3.5 本章小結(jié)
第四章 基于密集結(jié)構(gòu)學(xué)習(xí)的視覺目標(biāo)跟蹤
    4.1 引言
    4.2 基于密集結(jié)構(gòu)學(xué)習(xí)的目標(biāo)跟蹤算法
        4.2.1 使用結(jié)構(gòu)輸出支持矢量機(jī)進(jìn)行目標(biāo)跟蹤
        4.2.2 密集采樣條件下的高效率在線目標(biāo)跟蹤
        4.2.3 具體實(shí)現(xiàn)
        4.2.4 加權(quán)核函數(shù)
    4.3 更適合紅外目標(biāo)跟蹤的特征表示
    4.4 尺度自適應(yīng)目標(biāo)跟蹤算法
    4.5 實(shí)驗(yàn)
        4.5.1 測試集與性能度量
        4.5.2 線性核與加權(quán)核性能對比實(shí)驗(yàn)
        4.5.3 不同特征表示性能對比實(shí)驗(yàn)
        4.5.4 與經(jīng)典算法在紅外目標(biāo)跟蹤測試集上的對比實(shí)驗(yàn)
        4.5.5 在無人機(jī)拍攝視頻上的性能對比實(shí)驗(yàn)
        4.5.6 在通用視覺跟蹤測試集上的性能對比實(shí)驗(yàn)
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 未來工作展望
致謝
參考文獻(xiàn)
作者在學(xué)期間取得的學(xué)術(shù)成果



本文編號：2958257