為提高低信噪比且強噪聲干擾下的弱小目標檢測與跟蹤能力,本文以序列圖像目標的運動關(guān)聯(lián)性為基礎(chǔ),先采用預(yù)處理手段來抑制背景和增強目標信號,接著針對不同信噪比下的動態(tài)場景提出了兩種不同的檢測算法,最后在檢測算法的基礎(chǔ)上,為了對前后多幀的目標軌跡進行運動關(guān)聯(lián),提出了改進的弱小目標跟蹤算法,以解決動態(tài)場景下目標受到強噪聲干擾的問題。主要研究工作如下:(1)背景建模及能量增強方面。首先針對傳統(tǒng)背景建模在面臨非平穩(wěn)邊緣輪廓區(qū)域時建模效果不佳,提出了改進的各向異性差分濾波的算法,該算法主要通過對比目標和背景在鄰域內(nèi)八個方向的梯度差異,從中選取擴散函數(shù)值最小的三個方向的均值對圖像進行濾波,這樣將有效突顯出目標和邊緣輪廓區(qū)的差異,從而在差分圖像中很好地保留目標信號;緊接著在獲取差分圖基礎(chǔ)上,提出了融合時空域運動特性的能量增強算法,該算法充分利用目標在時間和空間域的運動信息,有效增強了目標信號。實驗表明:2個場景中不同信噪比的圖像改進各向異性背景建模獲取的均方誤差均小于10.2,結(jié)構(gòu)相似性都大于0.951,局部信噪比增益都大于10.6。而融合時空域運動特性的能量增強算法獲取的目標平均灰度和圖像局部信噪比達到2...

【文章頁數(shù)】：156 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究意義及背景
    1.2 檢測與跟蹤研究現(xiàn)狀
        1.2.1 基于單幀濾波的檢測跟蹤算法
        1.2.2 基于多幀關(guān)聯(lián)的檢測跟蹤算法
    1.3 面臨的主要問題
    1.4 本文研究內(nèi)容及技術(shù)路線
    1.5 本文組織結(jié)構(gòu)
第二章 高階累積量與粒子濾波理論基礎(chǔ)
    2.1 高階統(tǒng)計量
        2.1.1 累積量和矩的定義
        2.1.2 累積量和矩的特性
        2.1.3 累積量和矩的關(guān)系
    2.2 粒子濾波原理
        2.2.1 遞推貝葉斯估計
        2.2.2 蒙特卡羅法
        2.2.3 標準粒子濾波算法
        2.2.4 粒子濾波跟蹤流程
    2.3 小結(jié)
第三章 背景建模及融合時空運動特性的能量增強
    3.1 引言
    3.2 經(jīng)典背景建模法
        3.2.1 二維最小均方濾波
        3.2.2 自適應(yīng)Butterworth濾波
        3.2.3 改進Top-Hat濾波
        3.2.4 改進雙邊濾波
        3.2.5 改進梯度倒數(shù)加權(quán)濾波
        3.2.6 各向異性濾波
    3.3 改進的背景建模及能量增強
        3.3.1 改進的各向異性背景建模
        3.3.2 融合時空域運動特性的能量增強算法
    3.4 評價指標
    3.5 實驗結(jié)果與分析
        3.5.1 改進各向異性參數(shù)分析
        3.5.2 背景建模結(jié)果分析
        3.5.3 能量增強參數(shù)分析
        3.5.4 增強結(jié)果分析
    3.7 小結(jié)
第四章 自適應(yīng)搜索管徑的時空域濾波的弱小目標檢測
    4.1 引言
    4.2 尺度空間理論
        4.2.1 理論基礎(chǔ)
        4.2.2 計算DOG極值點
        4.2.3 候選目標精定位
    4.3 自適應(yīng)修改搜索管徑的時空域濾波的弱小目標檢測
    4.4 結(jié)果與分析
        4.4.1 DOG檢測結(jié)果與分析
        4.4.2 檢測結(jié)果與分析
    4.5 小結(jié)
第五章 基于運動方向估計的高階累積量弱小目標檢測
    5.1 引言
    5.2 環(huán)形擾動非均勻性校正
        5.2.1 非均勻性成因及模型表述
        5.2.2 兩點校正原理
        5.2.3 環(huán)形擾動校正算法
    5.3 基于運動方向估計的高階累積量弱小目標檢測
        5.3.1 多幀累加研究
        5.3.2 泊松分布提取候選目標點
        5.3.3 高階累積量目標檢測理論
        5.3.4 提出的算法
        5.3.5 算法總結(jié)
    5.4 結(jié)果與分析
        5.4.1 校正參數(shù)分析
        5.4.2 校正結(jié)果分析
        5.4.3 累加結(jié)果分析
        5.4.4 檢測結(jié)果分析
    5.5 小結(jié)
第六章 改進免疫遺傳粒子濾波弱小目標跟蹤
    6.1 引言
    6.2 免疫遺傳粒子濾波算法
        6.2.1 基本原理
        6.2.2 算法流程
    6.3 改進免疫遺傳粒子濾波跟蹤算法
        6.3.1 存在問題及解決辦法
        6.3.2 提取包含空間位置信息的灰度特征
        6.3.3 提取運動特征
        6.3.4 融合灰度和運動特征的聯(lián)合觀測模型
        6.3.5 自適應(yīng)更新參考模型
        6.3.6 KLD自適應(yīng)采樣
        6.3.7 算法總結(jié)
    6.4 實驗結(jié)果與分析
        6.4.1 仿真結(jié)果與分析
        6.4.2 運動特性結(jié)果與分析
        6.4.3 強噪聲干擾場景
        6.4.4 遮擋場景
        6.4.5 交叉運動場景
        6.4.6 精度和時間
    6.5 小結(jié)
第七章 總結(jié)與展望
    7.1 論文總結(jié)
    7.2 論文創(chuàng)新工作
    7.3 不足與展望
致謝
參考文獻
攻讀博士學位期間取得的成果



本文編號：4023424