發(fā)布時間：2023-04-03 20:21

　　在計算機視覺領域,擴展目標的識別和跟蹤一直是非�；钴S的研究方向。在擴展目標目標的識別和跟蹤中,特征提取是一個至關重要的環(huán)節(jié),直接決定后續(xù)識別和跟蹤性能的好壞。因此,研究擴展目標的特征提取和跟蹤技術對于實際工程有重要的應用價值。然而,由于擴展目標具有不同于普通目標的特性,使得普通的目標跟蹤算法無法適用于擴展目標。同時,目標本身三維姿態(tài)變化、模糊、光照變化、旋轉、遮擋及形狀變形等因素的存在,給擴展目標的特征提取和跟蹤算法帶來了挑戰(zhàn)。本課題就是在這種情況下提出的。本課題所研究的擴展目標為光電探測系統(tǒng)獲得的圖像。針對長焦距系統(tǒng)下的遠距離成像擴展目標,其姿態(tài)變化不大,邊緣模糊,無顯著紋理信息,研究高精度定位算法;針對近距離成像擴展目標,其尺寸較大,有一定的紋理和形狀信息,研究特征提取及穩(wěn)定跟蹤算法。主要包括以下五個方面:(1)針對遠距離擴展目標,深入研究高精度定位算法。在基于目標的幾何形狀特征的基礎上,提出一種基于廣義Hough變換(GHT)的異型擴展目標高精度定位方法。通過模擬序列以及外場實驗采集的序列測試驗證了提出的算法具有定位精度高,定位精度達到亞像素級(小于0.6個像素),實時性好的特點...

【文章頁數(shù)】：128 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
目錄
第一章 緒論
    1.1 研究目的及意義
    1.2 國內(nèi)外研究現(xiàn)狀和發(fā)展態(tài)勢
        1.2.1 特征提取研究現(xiàn)狀及發(fā)展趨勢
        1.2.2 擴展目標跟蹤研究現(xiàn)狀及發(fā)展趨勢
    1.3 存在的問題
    1.4 本文研究內(nèi)容及結構安排
第二章 基于GHT的異型擴展目標高精度定位方法
    2.1 引言
    2.2 算法框架
        2.2.1 邊緣提取
        2.2.2 粗定位：廣義Hough變換（GHT）
        2.2.3 精定位：松弛迭代法
    2.3 實驗結果及分析
        2.3.1 實驗設置
        2.3.2 實驗結果及分析
        2.3.3 與傳統(tǒng)算法比較
    2.4 性能分析
        2.4.1 遮擋分析
        2.4.2 邊緣模糊度分析
    2.5 本章小結
第三章 擴展目標特征提取及定姿技術研究
    3.1 引言
    3.2 特征提取與描述方法分析比較
    3.3 基于骨架的擴展目標特征提取
        3.3.1 目標分割
        3.3.2 直線擬合及軸線提取
    3.4 結合骨架和輪廓的上下文描述子
        3.4.1 邊緣和骨架提取
        3.4.2 直方圖構建
        3.4.3 直方圖匹配
        3.4.4 實驗結果及分析
            3.4.4.1 實驗結果
            3.4.4.2 性能分析
    3.5 飛機三維姿態(tài)解算方法
        3.5.2 三維姿態(tài)解算
            3.5.2.1 坐標系及姿態(tài)角定義
            3.5.2.2 姿態(tài)建模及解算
        3.5.3 實驗結果及分析
            3.5.3.1 軸線提取
            3.5.3.2 姿態(tài)角計算
            3.5.3.3 穩(wěn)定性評估
        3.5.4 精度分析
            3.5.4.1 偏航角與俯仰角誤差分析
            3.5.4.2 翻滾角誤差分析
        3.5.5 小結
    3.6 本章總結
第四章 基于特征學習的飛機關鍵部位識別技術研究
    4.1 引言
    4.2 Haar-like特征
        4.2.1 Haar-like特征值計算
        4.2.2 弱分類器生成
    4.3 Adaboost算法
        4.3.1 Adaboost算法原理
        4.3.2 Ada Boost算法分析
    4.4 基于Haar-like特征的飛機關鍵部位識別算法
        4.4.1 Ada Boost算法訓練
            4.4.1.1 訓練樣本選擇
            4.4.1.2 強分類器訓練
        4.4.2 Ada Boost算法識別
        4.4.3 實驗結果及分析
    4.5 基于改進Haar-like特征的飛機機翼識別算法
        4.5.1 Haar-like特征改進
        4.5.2 改進的Haar-like特征訓練
        4.5.3 改進的Haar-like特征和原始Haar-like特征比較
            4.5.3.1 穩(wěn)定性
            4.5.3.2 計算復雜度
    4.6 基于改進Haar-like特征的飛機機頭識別算法
        4.6.1 Haar-like特征改進
        4.6.2 特征性能比較
            4.6.2.1 穩(wěn)定性
            4.6.2.2 計算復雜度
    4.7 本章小結
第五章 基于骨架和改進分布場的擴展目標跟蹤技術研究
    5.1 引言
    5.2 分布場描述子
        5.2.1 分布場建立
        5.2.2 模型更新
    5.3 分布場性能分析
        5.3.1 旋轉適應性分析
        5.3.2 尺度適應性分析
        5.3.3 遮擋適應性分析
    5.4 分布場改進
        5.4.1 非均勻自適應分層
        5.4.2 尺度和旋轉自適應
            5.4.2.1 BRISK特征點檢測
            5.4.2.2 BRISK特征點描述
            5.4.2.3 RANSAC剔除錯誤匹配
            5.4.2.4 關鍵點匹配穩(wěn)定性分析
        5.4.3 結合骨架和改進分布場的擴展目標跟蹤算法
            5.4.3.1 算法流程
            5.4.3.2 變換參數(shù)計算
    5.5 實驗結果及分析
        5.5.1 時間復雜度評估
        5.5.2 性能評估
        5.5.3 定量評估
        5.5.4 融合性能比較
        5.5.5 算法比較
    5.6 本章小結
第六章 基于表觀模型學習的目標跟蹤技術研究
    6.1 引言
    6.2 稀疏聯(lián)合模型
        6.2.1 基于稀疏度的區(qū)分分類器
            6.2.1.1 特征選擇
            6.2.1.2 置信度度量
        6.2.2 基于稀疏度的生成模型
            6.2.2.1 直方圖生成
            6.2.2.2 相似度函數(shù)
    6.3 空時上下文模型
        6.3.1 上下文重要性
        6.3.2 問題描述
            6.3.2.1 空間上下文模型
            6.3.2.2 上下文先驗模型
            6.3.2.3 置信地圖
            6.3.2.4 空間上下文模型的快速學習
            6.3.2.5 跟蹤
    6.4 空時上下文模型用于跟蹤算法改進
        6.4.1 算法流程
        6.4.2 仿真結果及分析
    6.5 本章小結
第七章 總結與展望
    7.1 論文主要研究內(nèi)容
    7.2 論文主要創(chuàng)新點
    7.3 進一步研究的問題和方向
參考文獻
作者簡介及在學期間發(fā)表的學術論文與研究成果



本文編號：3781086