在計(jì)算機(jī)視覺(jué)領(lǐng)域,擴(kuò)展目標(biāo)的識(shí)別和跟蹤一直是非�；钴S的研究方向。在擴(kuò)展目標(biāo)目標(biāo)的識(shí)別和跟蹤中,特征提取是一個(gè)至關(guān)重要的環(huán)節(jié),直接決定后續(xù)識(shí)別和跟蹤性能的好壞。因此,研究擴(kuò)展目標(biāo)的特征提取和跟蹤技術(shù)對(duì)于實(shí)際工程有重要的應(yīng)用價(jià)值。然而,由于擴(kuò)展目標(biāo)具有不同于普通目標(biāo)的特性,使得普通的目標(biāo)跟蹤算法無(wú)法適用于擴(kuò)展目標(biāo)。同時(shí),目標(biāo)本身三維姿態(tài)變化、模糊、光照變化、旋轉(zhuǎn)、遮擋及形狀變形等因素的存在,給擴(kuò)展目標(biāo)的特征提取和跟蹤算法帶來(lái)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(kuò)展目標(biāo)為光電探測(cè)系統(tǒng)獲得的圖像。針對(duì)長(zhǎng)焦距系統(tǒng)下的遠(yuǎn)距離成像擴(kuò)展目標(biāo),其姿態(tài)變化不大,邊緣模糊,無(wú)顯著紋理信息,研究高精度定位算法;針對(duì)近距離成像擴(kuò)展目標(biāo),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(gè)方面:(1)針對(duì)遠(yuǎn)距離擴(kuò)展目標(biāo),深入研究高精度定位算法。在基于目標(biāo)的幾何形狀特征的基礎(chǔ)上,提出一種基于廣義Hough變換(GHT)的異型擴(kuò)展目標(biāo)高精度定位方法。通過(guò)模擬序列以及外場(chǎng)實(shí)驗(yàn)采集的序列測(cè)試驗(yàn)證了提出的算法具有定位精度高,定位精度達(dá)到亞像素級(jí)(小于0.6個(gè)像素),實(shí)時(shí)性好的特點(diǎn)...

【文章頁(yè)數(shù)】：128 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀和發(fā)展態(tài)勢(shì)
        1.2.1 特征提取研究現(xiàn)狀及發(fā)展趨勢(shì)
        1.2.2 擴(kuò)展目標(biāo)跟蹤研究現(xiàn)狀及發(fā)展趨勢(shì)
    1.3 存在的問(wèn)題
    1.4 本文研究?jī)?nèi)容及結(jié)構(gòu)安排
第二章 基于GHT的異型擴(kuò)展目標(biāo)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(shí)驗(yàn)結(jié)果及分析
        2.3.1 實(shí)驗(yàn)設(shè)置
        2.3.2 實(shí)驗(yàn)結(jié)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(jié)
第三章 擴(kuò)展目標(biāo)特征提取及定姿技術(shù)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(kuò)展目標(biāo)特征提取
        3.3.1 目標(biāo)分割
        3.3.2 直線擬合及軸線提取
    3.4 結(jié)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(gòu)建
        3.4.3 直方圖匹配
        3.4.4 實(shí)驗(yàn)結(jié)果及分析
            3.4.4.1 實(shí)驗(yàn)結(jié)果
            3.4.4.2 性能分析
    3.5 飛機(jī)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(biāo)系及姿態(tài)角定義
            3.5.2.2 姿態(tài)建模及解算
        3.5.3 實(shí)驗(yàn)結(jié)果及分析
            3.5.3.1 軸線提取
            3.5.3.2 姿態(tài)角計(jì)算
            3.5.3.3 穩(wěn)定性評(píng)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(jié)
    3.6 本章總結(jié)
第四章 基于特征學(xué)習(xí)的飛機(jī)關(guān)鍵部位識(shí)別技術(shù)研究
    4.1 引言
    4.2 Haar-like特征
        4.2.1 Haar-like特征值計(jì)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(jī)關(guān)鍵部位識(shí)別算法
        4.4.1 Ada Boost算法訓(xùn)練
            4.4.1.1 訓(xùn)練樣本選擇
            4.4.1.2 強(qiáng)分類器訓(xùn)練
        4.4.2 Ada Boost算法識(shí)別
        4.4.3 實(shí)驗(yàn)結(jié)果及分析
    4.5 基于改進(jìn)Haar-like特征的飛機(jī)機(jī)翼識(shí)別算法
        4.5.1 Haar-like特征改進(jìn)
        4.5.2 改進(jìn)的Haar-like特征訓(xùn)練
        4.5.3 改進(jìn)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(jì)算復(fù)雜度
    4.6 基于改進(jìn)Haar-like特征的飛機(jī)機(jī)頭識(shí)別算法
        4.6.1 Haar-like特征改進(jìn)
        4.6.2 特征性能比較
            4.6.2.1 穩(wěn)定性
            4.6.2.2 計(jì)算復(fù)雜度
    4.7 本章小結(jié)
第五章 基于骨架和改進(jìn)分布場(chǎng)的擴(kuò)展目標(biāo)跟蹤技術(shù)研究
    5.1 引言
    5.2 分布場(chǎng)描述子
        5.2.1 分布場(chǎng)建立
        5.2.2 模型更新
    5.3 分布場(chǎng)性能分析
        5.3.1 旋轉(zhuǎn)適應(yīng)性分析
        5.3.2 尺度適應(yīng)性分析
        5.3.3 遮擋適應(yīng)性分析
    5.4 分布場(chǎng)改進(jìn)
        5.4.1 非均勻自適應(yīng)分層
        5.4.2 尺度和旋轉(zhuǎn)自適應(yīng)
            5.4.2.1 BRISK特征點(diǎn)檢測(cè)
            5.4.2.2 BRISK特征點(diǎn)描述
            5.4.2.3 RANSAC剔除錯(cuò)誤匹配
            5.4.2.4 關(guān)鍵點(diǎn)匹配穩(wěn)定性分析
        5.4.3 結(jié)合骨架和改進(jìn)分布場(chǎng)的擴(kuò)展目標(biāo)跟蹤算法
            5.4.3.1 算法流程
            5.4.3.2 變換參數(shù)計(jì)算
    5.5 實(shí)驗(yàn)結(jié)果及分析
        5.5.1 時(shí)間復(fù)雜度評(píng)估
        5.5.2 性能評(píng)估
        5.5.3 定量評(píng)估
        5.5.4 融合性能比較
        5.5.5 算法比較
    5.6 本章小結(jié)
第六章 基于表觀模型學(xué)習(xí)的目標(biāo)跟蹤技術(shù)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(shí)上下文模型
        6.3.1 上下文重要性
        6.3.2 問(wèn)題描述
            6.3.2.1 空間上下文模型
            6.3.2.2 上下文先驗(yàn)?zāi)Ｐ?br>            6.3.2.3 置信地圖
            6.3.2.4 空間上下文模型的快速學(xué)習(xí)
            6.3.2.5 跟蹤
    6.4 空時(shí)上下文模型用于跟蹤算法改進(jìn)
        6.4.1 算法流程
        6.4.2 仿真結(jié)果及分析
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 論文主要研究?jī)?nèi)容
    7.2 論文主要?jiǎng)?chuàng)新點(diǎn)
    7.3 進(jìn)一步研究的問(wèn)題和方向
參考文獻(xiàn)
作者簡(jiǎn)介及在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號(hào)：3781086